Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam setiap kegiatan automasi perpustakaan, dua hal pokok yang harus dilakukan ialah merancang format cantuman dan memilih perangkat lunak yang sesuai untuk menangani format cantuman tersebut. Kegiatan automasi perpustakaan akan lebih berdaya guna bila format cantuman yang digunakan memungkinkan pelaksanaan tukar-menukar data antar perpustakaan. Indonesia telah menyusun format komunikasi untuk digunakan sebagai sarana tukar-menukar data bibliografi antar perpustakaan, yang disebut INDOMARC. Di bidang perangkat lunak, UNESCO telah menyebarkan MICRO CDS/ISIS secara cuma-cuma kepada lembaga yang tidak mencari keuntungan. Perangkat lunak ini merupakan sistem simpan dan temu kembali informasi umum, yang secara khusus dirancang untuk tata laksana pangkalan data non-numerik. Dengan pertimbangan keadaan ini banyak perpustakaan di Indonesia akan memanfaatkan perangkat lunak ini. Bertolak dalam dua kenyataan tersebut itulah penelitian ini dilaksanakan. Tujuan penelitian ini ialah untuk melihat sejauh mana MICRO CDS/ISIS dapat menangani format INDOMARC. Analisis dilakukan atas struktur format INDOMARC dan struktur pangkalan data Micro CDS/ISIS. Dalam praktek dicoba penyusunan pangkalan data bibliografi dalam format INDOMARC dengan perangkat lunak Micro CDS/ISIS. Hasil analisis menunjukkan bahwa struktur data dalam Micro CDS/ISIS lebih sederhana daripada struktur format INDOMARC, yaitu bahwa dalam Micro CDS/ISIS tidak terdapat indikator dan keterulangan subruas. Berdasarkan hasil analisis disimpulkan bahwa perangkat lunak Micro CFDS/ISIS dapat digunakan untuk menangani format INDOMARC, tetapi dengan kompromi bahwa indikator dituliskan pada subruas 1 dan 2, dan keterulangan subruas dituliskan sebagaimana keterulang an ruas."

"Perkembangan jaringan internet berpengaruh besar pada pertumbuhan dokumen elektronik di seluruh dunia tidak terkecuali di Indonesia. Perkembangan tersebut tidak hanya menumbuhkan jenis bahan pustaka barn namun juga berpengaruh dalam bentuk fisik dokumennya. Kemajuan ini menuntut perkembangan dalam teori pengkatalogan deskriptif, DaIam kaitan itu Online Catalog Library Center (OCLC) menerbitkan manual yang dapat menjadi sumber rujukan dalam pengkatalogan deskriptif untuk dokumen elektronik di internet. Meskipun dalam AACR2 telah terdapat pedoman pengkatalogan deskriptif untuk computer files namun tidak dapat mengantisipasi perkembangan dunia internet. Dalam manual tersebut terdapat rekomendasi implementasi format US MARC yang dapat diterapkan pada format Indomarc. Dalam skripsi ini diungkapkan bahwa pada format Indomarc perlu diadakan perluasan dengan menambah tengara-tengara baru yang mewakili beberapa unsur deskripsi bibliografis. Hal tersebut diperlukan agar pengatalogan deskriptif di Indonesia dapat mengikuti standar yang digunakan secara internasional. Pada bagian akhir diuraikan kesimpulan dan saran yang dapat dijadikan acuan dalam melakukan evaluasi format Indomarc. Meskipun manual dari OCLC tersebut belum merupakan hasil final, namun implementasinya di OCLC dapat menjadi rekomendasi yang positif dalam perkembangan pengkatalogan deskriptif di Indonesia."

"MARC singkatan dari Machine Readable Catalogue sudah ada sejak awal 1960an, dimulai tatkala Library of Congress menjajagi kemungkinan menggunakan teknik otomasi pada katalognya. Setelah berusaha beberapa tahun termasuk kerjasama dengan The British, muncullah MARC yanh menjadi standar internasional untuk cantuman katalog...."

"Perbedaan media komunikasi yang digunakan antara komunitas tuli dengan masyarakat normal menjadi pembatas dalam menjalin komunikasi antar keduanya. Untuk mengatasi hal ini, diperlukan suatu alat penerjemah yang dapat menerjemahkan bahasa isyarat Indonesia (Bisindo) yang biasa digunakan oleh komunitas tuli di Indonesia ke bahasa lisan dan sebaliknya. Penelitian ini akan berkontribusi pada pembentukan alat penerjemah tersebut dengan menerjemahkan kalimat dalam format Bisindo menjadi kalimat bahasa Indonesia secara satu arah. Penerjemahan dilakukan dengan dua metode berbeda, yaitu penerjemahan berbasis statistik menggunakan model neural machine translation (NMT) dan penerjemahan berbasis aturan. Khusus untuk penerjemahan berbasis aturan, penelitian ini hanya akan berfokus pada sebuah tahapan saja yaitu penambahan preposisi. Selain itu, penelitian ini juga memaparkan metode pembentukan dataset yang menyerupai karakteristik Bisindo dari dataset Indonesia menggunakan aturan-aturan sederhana untuk mengatasi minimnya ketersediaan dataset tersebut. Model NMT terbaik pada eksperimen ini memperoleh peningkatan nilai SacreBLEU sekitar 56%, serta penurunan nilai WER sekitar 7% dari nilai awal yang diperoleh pada dataset testing secara langsung. Di sisi lain, penerjemahan berbasis aturan memperoleh peningkatan nilai SacreBLEU sekitar 1.1% serta penurunan nilai WER sekitar 9.7% dari nilai awal. Sebagai tambahan, model tersebut memperoleh nilai precision sebesar 0.436 dan nilai recall sebesar 0.340 pada performanya dalam menambahkan preposisi secara spesifik.

---

The difference of communication methods used by the deaf community and the society becomes a boundary that limits the communication between the two. In order to tackle this issue, we need a tool that can translate sign language (especially bahasa isyarat Indonesia or Bisindo which is commonly used by the deaf community in Indonesia) to oral language and vice versa. This experiment will contribute to such tool by building a tool to translate sentences in Bisindo format to Bahasa Indonesia in one direction. Translation is done using two different methods: statistic-based translation using neural machine translation (NMT) models and rule-based translation. Specific to the rule-based approach, we will only focus on one step of the translation process which is adding prepositions. Aside of that, we also propose a method in building Bisindo-like dataset from Bahasa Indonesia dataset in order to handle the low availability of it. The best NMT model in this experiment achieved an improvement around 56% in SacreBLEU and a decrease around 7% in WER compared to the initial metrics value that we got directly from the testing dataset. On the other side, rule-based translation achieved an improvement around 1.1% in SacreBLEU and a decrease around 9.7% in WER compared to the initial metrics value. In addition, the model achieved 0.436 precision score and 0.340 recall score specific to its performance in adding preposition."