Analisis Morfologi untuk Menangani Out-of-Vocabulary Words pada Part-of-Speech Tagger Bahasa Indonesia Menggunakan Hidden Markov Model

Ramadhanti, Febyana; Wibisono, Yudi; Sukamto, Rosa Ariani

doi:10.26418/jlk.v2i1.13

Cited by 6 publications

(6 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Proses morfologi menurut [23] adalah cara pembentukan kata-kata dengan menghubungkan morfem yang satu dengan morfem lainnya. Proses morfologi meliputi (1) afiksasi, (2) reduplikasi, (3) perubahan intern, (4) suplisi, dan (5) modifikasi kosong.…”

Section: Morfologiunclassified

See 1 more Smart Citation

Paradigma Strukturalisme Bahasa: Fonologi, Morfologi, Sintaksis, dan Semantik

2021

View full text Add to dashboard Cite

Tulisan ini didedikasikan untuk mengulas paradigma strukturalisme dalam bahasa manusia yang terdiri dari fonologi, morfologi, sintaksis dan semantik. Bahasa sebagai sebuah alat komunikasi yang tidak lepas dari nilai dan bentuk akan menjadi sebuah studi yang panjang bila ditelaah dari strukturnya. Pijakan dasar yang coba peneliti tawarkan di sini adalah paradigma strukturalisme yang dipopulerkan oleh Ferdinand de Saussure. Di mana dalam pandangannya ia menjabarkan bahwa sistem bahasa sebagai forma dan bukan substansi dapat disederhanakan dan dijelaskan sebagai relasi sintagmatis dan paradigmatis; dan sistem itu terjadi dari tingkat-tingkat struktur. Di antara struktur bahasa yang sudah menjadi bidang studi tersendiri yang begitu luas yakni; fonologi, morfologi, sintaksis dan semantik. Metode yang digunakan dalam penelitian ini adalah kualitatif dengan pendekatan kajian pustaka

show abstract

Section: Morfologiunclassified

“…Sehingga, proses morfologis dalam bahasa Indonesia cukup sederhana hanya melalui afiksasi dan reduplikasi. Di sini penulis hanya akan membahas kedua proses morfologi yang digunakan dalam bahasa Indonesia, yakni afiksasi dan reduplikasi [23]. Afiksasi adalah penggabungan akar kata atau pokok dengan afiks.…”

Section: Morfologiunclassified

Paradigma Strukturalisme Bahasa: Fonologi, Morfologi, Sintaksis, dan Semantik

2021

View full text Add to dashboard Cite

show abstract

“…Pengembangan pos tagger HMM selanjutnya yaitu mengombinasikan HMM dengan metode lain yaitu HMM + rule-based oleh Widhiyanti dkk. di tahun 2012 [17], HMM + analisis morfologi oleh Muljono dkk di tahun 2017 [18], dan Ramadhanti di tahun 2019 [19]. Hasil dari ketiga penelitian ini menyimpulkan bahwa kombinasi metode HMM dengan metode lain memberikan performa yang lebih baik daripada HMM saja.…”

Section: A Dataset Yang Tersediaunclassified

“…Penggabungan HMM dan analisis morfologi memberikan akurasi 99.14% [19]. Analisis morfologi yang digunakan adalah menggunakan afiks terhadap pembentukan kelas kata, misal imbuhan 'mem-' dan 'ber' adalah termasuk kelas kata verba, sehingga informasi ini akan mengurangi tingkat OOV.…”

Section: A Dataset Yang Tersediaunclassified

Perkembangan Part-of-Speech Tagger Bahasa Indonesia

Kamayani¹

2019

JLK

View full text Add to dashboard Cite

Tujuan dari artikel ini adalah membuat kajian literatur terhadap metode pelabelan part-of-speech (POS tagger) untuk Bahasa Indonesia yang telah dilakukan selama 11 tahun terakhir (sejak tahun 2008). Artikel ini dapat menjadi roadmap POS tagger Bahasa Indonesia dan juga dasar pertimbangan untuk pengembangan selanjutnya agar menggunakan dataset dan tagset yang standar sebagai benchmark metode. Terdapat 15 publikasi yang dibahas, pembahasan meliputi dataset, tagset dan metode yang digunakan untuk POS tag Bahasa Indonesia. Dataset yang paling banyak digunakan dan paling mungkin menjadi corpus standar adalah IDN Tagged Corpus terdiri dari lebih dari 250.000 token. Tagset Bahasa Indonesia hingga saat ini belum terstandarisasi dengan jumlah label bervariasi dari 16 tag hingga 37 tag. Metode yang paling banyak dikembangkan dan berpotensi menjadi state-of-the-art adalah neural network, dengan varian metode biLSTM dan CRF dan sejauh ini memberikan skor F1 dan akurasi tertinggi (>96%).

show abstract

“…Penggunaan algoritme Brill Tagger pada POS Tagging Bahasa Indonesia mendapatkan hasil akurasi sebesar 89.70% (SETYANINGSIH, 2017). Penggunaan Hidden Markov Model (HMM) dengan menggunakan algoritme Viterbi pada penerapan analisis morfologi untuk implementasi POS Tagging Bahasa Indonesia, mendapatkan tingkat akurasi 99.14% dengan menggunakan data yang sama pada data latih dan uji (RAMADHANTI, et al, 2019).…”

unclassified

Klasifikasi Kelas Kata (Part-Of-Speech Tagging) untuk Bahasa Madura Menggunakan Algoritme Viterbi

Firmansyah

Adikara

Adinugroho

2021

JTIIK

View full text Add to dashboard Cite

Bahasa manusia adalah bahasa yang digunakan oleh manusia dalam bentuk tulisan maupun suara. Banyak teknologi/aplikasi yang mengolah bahasa manusia, bidang tersebut bernama Natural Language Processing yang merupakan ilmu yang mempelajari untuk mengolah dan mengekstraksi bahasa manusia pada perkembangan teknologi. Salah satu proses pada Natural Language Processing adalah Part-Of-Speech Tagging. Part-Of-Speech Tagging adalah klasifikasi kelas kata pada sebuah kalimat secara otomatis oleh teknologi, proses ini salah satunya berfungsi untuk mengetahui kata-kata yang memiliki lebih dari satu makna/arti (ambiguitas). Part-Of-Speech Tagging merupakan dasar dari Natural Language Processing lainnya, seperti penerjemahan mesin (machine translation), penghilangan ambiguitas makna kata (word sense disambiguation), dan analisis sentimen. Part-Of-Speech Tagging dilakukan pada bahasa manusia, salah satunya adalah bahasa Madura. Bahasa Madura adalah bahasa daerah yang digunakan oleh suku Madura dan memiliki morfologi yang mirip dengan bahasa Indonesia. Penelitian pada Part-Of-Speech Tagging pada bahasa Madura ini menggunakan algoritme Viterbi, terdapat 3 proses untuk implementasi algoritme Viterbi pada pada Part-Of-Speech Tagging bahasa Madura, yaitu pre-processing pada data training dan testing, perhitungan data latih dengan Hidden Markov Model dan klasifikasi kelas kata menggunakan algoritme Viterbi. Kelas kata (tagset) yang digunakan untuk klasifikasi kata pada bahasa Madura sebanyak 19 kelas, kelas kata tersebut dirancang oleh pakar. Pengujian sistem pada penelitian ini menggunakan perhitungan Multiclass Confusion Matrix. Hasil pengujian sistem mendapatkan nilai micro average accuracy sebesar 0,96 dan nilai micro average precision dan recall yang sama sebesar 0,68. Precision dan recall masih dapat ditingkatkan dengan menambahkan data yang lebih banyak lagi untuk pelatihan. AbstractNatural language is a form of language used by human, either in writing or speaking form. There is a specific field in computer science that processes natural language, which is called Natural Language Processing. It is a study of how to process and extract natural language on technology development. Part-Of-Speech Tagging is a method to assign a predefined set of tags (word classes) into a word or a phrase. This process is useful to understand the true meaning of a word with ambiguous meaning, which may have different meanings depending on the context. Part-Of-Speech Tagging is the basis of the other Natural Language Processing methods, such as machine translation, word sense disambiguation, and sentiment analysis. Part-Of-Speech Tagging used in natural languages, such as Madurese language. Madurese language is a local language used by Madurese and has a similar morphology as Indonesian language. Part-Of-Speech Tagging research on Madurese language using Viterbi algorithm, consists of 3 processes, which are training and testing corpus pre-processing, training the corpus by Hidden Markov Model, and tag classification using Viterbi algorithm. The number of tags used for words classification (tagsets) on Madurese language are 19 class, those tags were designed by an expert. Performance assessment was conducted using Multiclass Confusion Matrix calculation. The system achieved a micro average accuracy score of 0,96, and micro average precision score is equal to recall of 0,68. Precision and recall can still be improved by adding more data for training.

show abstract

Analisis Morfologi untuk Menangani Out-of-Vocabulary Words pada Part-of-Speech Tagger Bahasa Indonesia Menggunakan Hidden Markov Model

Cited by 6 publications

References 5 publications

Paradigma Strukturalisme Bahasa: Fonologi, Morfologi, Sintaksis, dan Semantik

Paradigma Strukturalisme Bahasa: Fonologi, Morfologi, Sintaksis, dan Semantik

Perkembangan Part-of-Speech Tagger Bahasa Indonesia

Klasifikasi Kelas Kata (Part-Of-Speech Tagging) untuk Bahasa Madura Menggunakan Algoritme Viterbi

Contact Info

Product

Resources

About