ANALISIS DAN IMPLEMENTASI SUPERVISED HIDDEN MARKOV MODEL (HMM) UNTUK PENENTUAN JENIS KATA DENGAN PENANGANAN OUT OF VOCABULARY (OOV) MENGGUNAKAN AFFIX TREE UNTUK BAHASA INDONESIA

i W ayan Yoginanda Sunggraha

Informasi Dasar

113081058
005.1
Karya Ilmiah - Skripsi (S1) - Reference

ABSTRAKSI: Tugas akhir ini memaparkan hasil analisis dan implementasi dalam membangun aplikasi Part-of-Speech (POS) Tagging untuk bahasa Indonesia. Dalam pengimplementasiannya POS Tagging ini menggunakan metode Supervised Hidden Markov Model (HMM) di mana terdapat data latih yang bernotasi sehingga dihasilkan parameter yang optimal. Dalam membangun aplikasi POS Tagging memakai metode Supervised HMM ini terdapat beberapa masalah yaitu penanganan Out-of-Vocabulary (OOV) dan nilai probabiilitas transisi sama dengan nol. Kedua masalah tersebut merupakan fokus dari pembuatan tugas Akhir ini. Untuk menangani nilai probabilitas transisi yang bernilai nol digunakan teknik Jelinek-Mercer Smoothing (JMS) yang nantinya dapat meminimalisir ataupun menghilangkan nilai nol pada probabilitas transisi tersebut. Dan untuk permasalahan OOV penulis menggunakan metode Affix Tree untuk menanganinya sehingga didapatkan peningkatan parameter akurasi dalam POS Tagging menggunakan metode Supervised HMM ini. Setelah dilakukan penelitian jumlah presentase OOV tidak mempengaruhi akurasi yang dihasilkan oleh sistem. Yang sangat terlihat mempengaruhi akurasi adalah pengimplementasian JMS, sehingga akurasi yang dihasilkan oleh sistem lebih tinggi dibandingkan dengan hasil yang dihasilkan tanpa mengimplementasikan JMS. Selain itu N karakter pertama juga mempengaruhi akurasi yang dihasilkan oleh sistem.Kata Kunci : POS Tagging, JMS, Affix Tree, Supervised HMM, OOVABSTRACT: This thesis presents the results of the analysis and implementation of applications in building Part-of-Speech (POS) Tagging for Indonesian. In this implementation using POS Tagging Supervised Hidden Markov Model (HMM) where there are bernotasi training data so that the resulting optimal parameters. In building applications using POS Tagging Supervised HMM method, there are some problems, namely the handling of Out-of-Vocabulary (OOV) and transition probabiilitas value equal to zero. The second problem is the focus of making this final task. To handle the transition probability value of zero is used Jelinek-Mercer Smoothing techniques (JMS) that will minimize or eliminate the value of zero on the transition probabilities. And to issues OOV Tree Affix the writer used to treat it, is associated with an increase in POS tagging accuracy parameters using the Supervised HMM. After doing research, the number does not affect the accuracy of OOV percentage generated by the system. Highly visible affect accuracy is JMS implementation, so that the accuracy produced by the system is higher than the results generated without implementing JMS. Beside that, the first N characters also affect accuracy generated by the system.Keyword: POS Tagging, JMS, Affix Tree, Supervised HMM, OOV

Subjek

Informatika Teori dan Pemrograman
 

Katalog

ANALISIS DAN IMPLEMENTASI SUPERVISED HIDDEN MARKOV MODEL (HMM) UNTUK PENENTUAN JENIS KATA DENGAN PENANGANAN OUT OF VOCABULARY (OOV) MENGGUNAKAN AFFIX TREE UNTUK BAHASA INDONESIA
 
 
Indonesia

Sirkulasi

Rp. 0
Rp. 0
Tidak

Pengarang

i W ayan Yoginanda Sunggraha
Perorangan
Imelda Atastina, Alfian Akbar Gozali
 

Penerbit

Universitas Telkom
Bandung
2013

Koleksi

Kompetensi

 

Download / Flippingbook

 

Ulasan

Belum ada ulasan yang diberikan
anda harus sign-in untuk memberikan ulasan ke katalog ini