Model Long Short-Term Memory dalam Penerjemahan Mesin Bahasa Lampung Dialek Api ke Bahasa Indonesia

Mohammed Raihan Akbar; Kurnia Muludi; Akmal Junaidi; Favorisen Rosyking Lumbanraja

doi:10.24176/simet.v15i2.13394

Model Long Short-Term Memory dalam Penerjemahan Mesin Bahasa Lampung Dialek Api ke Bahasa Indonesia

Mohammed Raihan Akbar, Kurnia Muludi, Akmal Junaidi, Favorisen Rosyking Lumbanraja

Sari

Penelitian ini mengeksplorasi penerjemahan bahasa Lampung dialek Api ke bahasa Indonesia menggunakan Long Short-Term Memory (LSTM). Bahasa Lampung, salah satu bahasa daerah di Indonesia, terancam punah sehingga penting untuk dilestarikan dan dimanfaatkan. Penelitian ini bertujuan mengembangkan model penerjemahan otomatis untuk memfasilitasi pembelajaran dan penggunaan bahasa Lampung. Dataset terdiri dari kalimat paralel bahasa Lampung dan bahasa Indonesia yang dibagi menjadi data pelatihan dan pengujian. Model LSTM memiliki lapisan embedding, LSTM, dan dense, dilatih dengan optimizer Adam dan fungsi loss categorical crossentropy. Evaluasi model menggunakan metrik BLEU menunjukkan kualitas terjemahan yang baik dengan skor BLEU tertinggi sekitar 0.8 untuk 1-grams, 0.75 untuk 1-2-grams, 0.65 untuk 1-3-grams, dan 0.55 untuk 1-4-grams pada set latih. Pada set uji, skor BLEU tercatat 0.5 untuk 1-grams, 0.35 untuk 1-2-grams, 0.25 untuk 1-3-grams, dan 0.2 untuk 1-4-grams. Hasil ini menunjukkan bahwa model mampu menangkap konteks bahasa dengan baik pada data pelatihan dan masih mempertahankan performa yang memadai pada data uji. Selama pelatihan, loss model tercatat mengalami penurunan yang konsisten, menandakan peningkatan kemampuan model dalam memprediksi terjemahan yang benar. Hasil penelitian menunjukkan bahwa LSTM dapat diterapkan untuk penerjemahan bahasa Lampung-Indonesia, dan pendekatan ini memiliki potensi besar untuk diterapkan pada bahasa daerah lainnya yang juga terancam punah. Dapat dilakukan perbaikan dan peningkatan pada penelitian ini, seperti penggunaan arsitektur model yang lebih kompleks, pemanfaatan dataset yang lebih besar dan bervariasi, serta penerapan teknik augmentasi data untuk meningkatkan kinerja model. Hasil penelitian ini diharapkan menjadi referensi untuk penelitian lebih lanjut di bidang penerjemahan mesin dan pelestarian bahasa.

Kata Kunci

penerjemahan mesin;bahasa lampung;bahasa indonesia;long short-term memory;pemrosesan bahasa alami;pelestarian bahasa

Teks Lengkap:

PDF

Referensi

Putri, N. W. 2018. “Pergeseran Bahasa Daerah Lampung pada Masyarakat Kota Bandar Lampung.”Prasasti: Journal of Linguistics, 3. 1, 83–97.

Fauziyah, Y., Ilyas, R., and Kasyidi, F. 2022. “Mesin Penterjemah Bahasa Indonesia-Bahasa Sunda Menggunakan Recurrent Neural Networks.” Jurnal Teknoinfo, 16. 2, 313.

Suryani, A. A., et al. 2016. “Enriching English into Sundanese and Javanese Translation List Using Pivot Language.” Proceedings of the 2016 International Conference on Information & Communication Technology and Systems (ICTS), 167–171.

Sujaini, H. 2018. “Peningkatan Akurasi Penerjemah Bahasa Daerah dengan Optimasi Korpus Paralel.” Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), 7. 1.

Faqih, A. 2018. “Penggunaan Google Translate Dalam Penerjemahan Teks Bahasa Arab Ke Dalam Bahasa Indonesia.” ALSUNIYAT: Jurnal Penelitian Bahasa, Sastra, dan Budaya Arab, 1. 2, 88–97.

Shen, J., et al. 2019. “The Source-Target Domain Mismatch Problem in Machine Translation.” ArXiv.

Alqudsi, A., Omar, N., and Shaker, K. 2019. “A Hybrid Rules and Statistical Method for Arabic to English Machine Translation.” Proceedings of the 2nd International Conference on Computer Applications and Information Security (ICCAIS), IEEE, 2019.

Singh, M., Kumar, R., and Chana, I. 2019. “Improving Neural Machine Translation Using Rule-Based Machine Translation.” Proceedings of the 7th International Conference on Smart Computing and Communications (ICSCC), 1–5.

Zhang, J., et al. 2020. “Improving Neural Machine Translation Through Phrase-Based Soft Forced Decoding.” Machine Translation, 34. 1, 21–39.

Li, L., et al. 2016. “Combining Translation Memories and Statistical Machine Translation Using Sparse Features.” Machine Translation, 30. 3–4, 183–202.

Koehn, P. 2017. Statistical Machine Translation.

Cuong, H., and Sima’an, K. 2017. “A Survey of Domain Adaptation for Statistical Machine Translation.” Machine Translation, 31. 4, 455–481.

Haji Sismat, M. A. 2019. “Neural and Statistical Machine Translation: A Comparative Error Analysis.” Conference: 17th International Conference on Translation.

Zhang, Y., and Liu, G. 2020. “Paragraph-Parallel Based Neural Machine Translation Model with Hierarchical Attention.” J Phys Conf Ser, 1453. 1.

Ortega, J. E., Castro Mamani, R., and Cho, K. 2021. “Neural Machine Translation with a Polysynthetic Low Resource Language.” Machine Translation, 34. 4, 325–346.

Sutskever, I., Vinyals, O., and Le, Q. V. 2014. “Sequence to Sequence Learning with Neural Networks.” Advances in Neural Information Processing Systems, 3104–3112.

Cho, K., et al. 2014. “Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation.” Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1724–1734.

Garg, S., et al. 2019. “Jointly Learning to Align and Translate with Transformer Models.” EMNLP-IJCNLP 2019 - 2019 Conference on Empirical Methods in Natural Language Processing and 9th International Joint Conference on Natural Language Processing, Proceedings of the Conference,

–4462.

Britz, D., et al. 2017. “Massive Exploration of Neural Machine Translation Architectures.” EMNLP 2017 - Conference on Empirical Methods in Natural Language Processing, Proceedings, 1442–1451.

Klein, G., et al. 2017. “OpenNMT: Open-Source Toolkit for Neural Machine Translation.”Proceedings of ACL 2017, System Demonstrations, 67–72. Vancouver, Canada: Association for Computational Linguistics.

Liu, Y., et al. 2019. “A Simple but Effective Way to Improve the Performance of RNN-Based Encoder in Neural Machine Translation Task.” 2019 IEEE Fourth International Conference on Data Science in Cyberspace (DSC), 416–421.

Wang, X., Chen, C., and Xing, Z. 2019. “Domain-Specific Machine Translation with Recurrent Neural Network for Software Localization.” Empirical Software Engineering, 24. 6, 3514–3545.

Husada, I. N., and Toba, H. 2020. “Pengaruh Metode Penyeimbang Kelas Terhadap Tingkat Akurasi Analisis Sentimen pada Tweets Berbahasa Indonesia.” Jurnal Teknik Informatika dan Sistem Informasi, 6. 2, 400–413.

Qiu, J., Wang, B., and Zhou, C. 2020. “Forecasting Stock Prices With Long-Short Term Memory Neural Network Based on Attention Mechanism.” PLOS ONE, 15. 1, 1–15.

Corallo, L., et al. 2022. “A Framework for German-English Machine Translation with GRU RNN.” CEUR Workshop Proceedings.

Papineni, K., et al. 2002. “BLEU: a Method for Automatic Evaluation of Machine Translation.”Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL), 311–318.

Vaswani, A., et al. 2017 “Attention Is All You Need.” Proceedings of the 31st International Conference on Neural Information Processing Systems, Long Beach, 4-9 December 2017, 6000-6010.

DOI: https://doi.org/10.24176/simet.v15i2.13394