MESIN PENERJEMAH HASIL TRANSLITERASI LONTAR BALI DALAM BAHASA KAWI KE DALAM BAHASA INDONESIA DENGAN DEEP LEARNING

Budaya, I Gede Bintang Arya (2022) MESIN PENERJEMAH HASIL TRANSLITERASI LONTAR BALI DALAM BAHASA KAWI KE DALAM BAHASA INDONESIA DENGAN DEEP LEARNING. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2029101004-COVER.pdf
Download (753kB)
[img] Text (ABSTRAK)
2029101004-ABSTRAK.pdf
Download (777kB)
[img] Text (BAB 1 PENDAHULUAN)
2029101004-BAB 1 PENDAHULUAN.pdf
Download (407kB)
[img] Text (BAB 2 KAJIAN TEORI)
2029101004-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (829kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2029101004-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2029101004-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2029101004-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (309kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2029101004-DAFTAR PUSTAKA.pdf
Download (433kB)
[img] Text (LAMPIRAN)
2029101004-LAMPIRAN.pdf
Download (388kB)

Abstract

Mesin penerjemah adalah pilihan utama bagi orang-orang, terutama untuk mempelajari pengetahuan yang tidak menggunakan bahasa asli mereka. Bahasa Kawi sebagai bahasa lokal, meskipun jarang digunakan secara aktif, merupakan bahasa yang banyak digunakan dalam berbagai literatur lama seperti lontar, khususnya di Bali yang masih dipelajari hingga saat ini. Banyak mesin penerjemah dengan bahasa pengguna aktif tinggi, seperti bahasa Indonesia dan Inggris yang terus dikembangkan tetapi tidak untuk bahasa Kawi. Pengembangan model mesin penerjemah berbasis neural dan implementasinya dengan microframework Flask merupakan langkah awal pengembangan mesin penerjemah dari bahasa Kawi ke Bahasa Indonesia. Pengembangan dimulai dengan membuat korpus paralel Kawi ke Indonesia dan dilanjutkan dengan membuat arsitektur mesin penerjemah dengan model berbasis Recurrent Neural Network (RNN) yaitu Simple RNN, Bidirectional RNN, Gated Recurrent Unit (GRU), Bidirectional GRU, Long Short-Term Memory (LSTM), Bidirectional LSTM, LSTM dengan mekanisme Attention, dan terakhir Bidirectional LSTM dengan mekanisme Attention. Model mesin penerjemah tersebut lalu dibandingkan berdasarkan performa melalui parameter BLEU scores. Berdasarkan hasil pengujian, dengan dataset yang masih terbatas model LSTM dengan mekanisme Attention mampu mencapai skor rata-rata tertinggi BLEU sebesar 20.86. Meskipun menghasilkan performa terbaik dalam percobaan, namun model mesin penerjemah LSTM dengan mekanisme Attention masih belum mampu mencapai rata – rata BLEU yang disebutkan dalam level memahami konteks yaitu di nilai BLEU Scores 60 - 70. Penambahan dataset korpus paralel Kawi ke Indonesia dapat menjadi salah satu solusi pengembangan mesin penerjemah kedepannya.

Item Type: Thesis (Masters)
Uncontrolled Keywords: mesin penerjemah, bahasa Kawi, bahasa Indonesia, deep learning, Nilai BLEU
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Gede Bintang Arya Budaya
Date Deposited: 21 Feb 2022 08:41
Last Modified: 21 Feb 2022 08:41
URI: http://repo.undiksha.ac.id/id/eprint/10215

Actions (login required)

View Item View Item