Sumber:
Skripsi milik IMANUEL dari program studi Ilmu Komputer fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor dengan judul “SISTEM PENGENAL KATA SEDERHANA (Si-PKS) MENGGUNAKAN MODEL HIDDEN MARKOV (Studi Kasus dengan Sistem Pengolah Kata)”.
http://iirc.ipb.ac.id/jspui/handle/123456789/2203
Skripsi ini memiliki latar belakang yaitu Indonesia memiliki keanekanekaragaman budaya termasuk bahasa sehingga variasi pengucapan kata berdasarkan dialeg sangat beragam dan berbeda. Sehingga perlu adanya dikembangkan sebuah sistem yang mengenali kata sederhana berdasarkan dari dialeg.
Tentu saja tujuan skripsi ini untuk mengenali pengucapan kata dari dialeg yang berbeda.
Ulasan:
Dalam penelitian ini dipelajari metode pengenalan Hidden Markov Modelling(HML). Akurasi pengenalan sistem diuji berdasarkan jumlah kata dalam kamus, jumlah kata yang akan dikenali, panjang fonem pembentuk kata dan tingkat kesalahan penguji.
Pada penelitian ini jumlah kata dalam kamus kata 1 yaitu 34 kata memiliki tingkat keberhasilan 55,15% atau 150 kata dari dari 272 kata yang ditampilkan. Sedangkan kamus kata 2 dengan 97 kata memiliki tingkat tingkat keberhasilan sebesar 40,52% atau 124 kata dari 306 kata yang ditampilkan.
Jumlah kata yang akan dikenali dan panjang fonem pembentuk kata juga mempengaruhi tingkat keberhasilan pengenalan kata. Kalimat dengan jumlah kata yang sedikit dan fonem pembentuk kata yang pendek memiliki tingkat keberhasilan yang lebih tinggi dibandingkan dengan jumlah kata yang banyak dan fonem pembentuk kata yang panjang.
Ternyata hasil dari penelitian ini tingkat keberhasilan pengenalan kata yang terbaik yaitu kamus data 1 dengan jumlah kata yang sedikit dan fonem pembentuk kata yang sedikit.
Menurut saya sistem pengenal kata ini sangat berguna karena di Indonesia terdiri dari beragam bahasa sehingga dengan sistem ini kita dapat mengetahui dialeg tersebut berasal dari daerah mana. Sistem ini sudah cukup baik namun diharapkan pengembangannya dengan tidak hanya kata sederhana saja.
0 komentar:
Posting Komentar