Ditemukan 3 dokumen yang sesuai dengan query
Shiva Dwi Samara Tungga
"Menentukan sinonim dari sebuah kata di dalam sebuah korpus tentu akan susah jika dilakukan secara manual. Oleh sebab itu, perlu adanya pendekatan lain yang dapat digunakan untuk menentukan set sinonim secara cepat. Salah satu cara yang dapat digunakan adalah memanfaatkan pengukuran kesamaan semantik. Pengukuran kesamaan semantik ini dapat dilakukan dengan menggunakan bantuan komputer, sehingga pekerjaan menjadi lebih cepat. Pengukuran yang dilakukan dalam kesamaan semantik ini didasarkan pada prinsip co-occurence untuk menentukan kata apa saja yang menjadi kata terdekat atau calon sinonim. Akan tetapi calon-calon sinonim yang dihasilkan dari pengukuran tersebut perlu dilakukan identifikasi lebih lanjut apakah calon sinonim yang dihasilkan benar-benar merupakan sinonim atau tidak. Oleh sebab itu, penelitian ini akan memanfaatkan pengukuran kesamaan semantik untuk menentukan calon sinonim. Pengukuran hanya dilakukan pada verba bahasa Indonesia. Selanjutnya, calon sinonim akan dicocokkan menggunakan tesaurus yang memang merupakan sumber leksikal untuk sinonim. Hasilnya adalah set sinonim verba bahasa Indonesia.
......Determining the synonym of a word from a corpus will be difficult if it does manually. Therefore, it needs another approach that can use to determine the synonym set quickly. A method for determining those are semantic similarity measurement. This semantic similarity measurement is using a computer so that the job becomes faster. Measurements made in semantic similarity are based on the principle of co-occurrence to determine which words are the closest word or candidate for synonyms. However, candidates for synonyms resulting from these measurements need to be identified whether the candidates for synonyms generated are the real synonyms or not. Therefore, this study will utilize semantic similarity measurement to determine candidate synonyms. This research only uses Indonesian verbs for the synonym data. Furthermore, candidates for synonyms will match using a thesaurus, a lexical source for synonyms. The result is a set of synonyms for Indonesian verbs."
Depok: Fakultas Ilmu Pengetahuan dan Budaya Universitas Indonesia, 2021
T-Pdf
UI - Tesis Membership Universitas Indonesia Library
Shiva Dwi Samara Tungga
"Menentukan sinonim dari sebuah kata di dalam sebuah korpus tentu akan susah jika dilakukan secara manual. Oleh sebab itu, perlu adanya pendekatan lain yang dapat digunakan untuk menentukan set sinonim secara cepat. Salah satu cara yang dapat digunakan adalah memanfaatkan pengukuran kesamaan semantik. Pengukuran kesamaan semantik ini dapat dilakukan dengan menggunakan bantuan komputer, sehingga pekerjaan menjadi lebih cepat. Pengukuran yang dilakukan dalam kesamaan semantik ini didasarkan pada prinsip co-occurence untuk menentukan kata apa saja yang menjadi kata terdekat atau calon sinonim. Akan tetapi calon-calon sinonim yang dihasilkan dari pengukuran tersebut perlu dilakukan identifikasi lebih lanjut apakah calon sinonim yang dihasilkan benar-benar merupakan sinonim atau tidak. Oleh sebab itu, penelitian ini akan memanfaatkan pengukuran kesamaan semantik untuk menentukan calon sinonim. Pengukuran hanya dilakukan pada verba bahasa Indonesia. Selanjutnya, calon sinonim akan dicocokkan menggunakan tesaurus yang memang merupakan sumber leksikal untuk sinonim. Hasilnya adalah set sinonim verba bahasa Indonesia.
......Determining the synonym of a word from a corpus will be difficult if it does manually. Therefore, it needs another approach that can use to determine the synonym set quickly. A method for determining those are semantic similarity measurement. This semantic similarity measurement is using a computer so that the job becomes faster. Measurements made in semantic similarity are based on the principle of co-occurrence to determine which words are the closest word or candidate for synonyms. However, candidates for synonyms resulting from these measurements need to be identified whether the candidates for synonyms generated are the real synonyms or not. Therefore, this study will utilize semantic similarity measurement to determine candidate synonyms. This research only uses Indonesian verbs for the synonym data. Furthermore, candidates for synonyms will match using a thesaurus, a lexical source for synonyms. The result is a set of synonyms for Indonesian verbs."
Depok: Fakultas Ilmu Pengetahuan dan Budaya Universitas Indonesia, 2021
T-Pdf
UI - Tesis Membership Universitas Indonesia Library
Sidauruk, Febriana Pasonang
"Skripsi ini membahas mengenai Pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) dengan menggunakan Stacked Bidirectional GRU dengan Manhattan Distance dan Cosine Similarity yang diterapkan untuk menilai jawaban esai bahasa Indonesia. Data yang digunakan pada sistem terdiri dari jawaban esai pelajar dan kunci jawaban dari pengajar. Sistem akan melalui tahapan pre-processing, word embedding, kemudian proses training, dan terakhir proses testing. Data sebelumnya diolah untuk dilakukan training terlebih dahulu dengan memberikan tujuh skenario pengujian agar memberikan selisih dan error yang rendah. Kedua jawaban akan diuji menggunakan dengan variasi hyperparameter sesuai dengan hasil terbaik dari seluruh skenario pengujian, kemudian diukur kemiripan hasil keduanya menggunakan dua jenis metrics yaitu, Manhattan Distance dan Cosine Similarity. Model menggunakan Cosine Similarity menghasilkan rata-rata nilai selisih 1.935 untuk fase training dan 8 untuk fase testing. Sedangkan Manhattan Distance menghasilkan selisih 1.887 untuk fase training dan 9.039 untuk fase testing.
...... This thesis discusses the design of an Automatic Essay Scoring System (SIMPLE-O) using Stacked Bidirectional GRU with Manhattan Distance and Cosine Similarity for Indonesian essay grading. The system utilizes a dataset consisting of student essay answers and corresponding teacher's answer key. The system goes through several stages including pre-processing, word embedding, training, and testing processes. The data is pre-processed and then trained using seven different testing scenarios to achieve low difference and low-error results. The system is evaluated using various hyperparameter settings based on the best results obtained from all testing scenarios. The similarity between the generated scores and the reference scores is measured using two metrics: Manhattan Distance and Cosine Similarity. The Cosine Similarity-based model achieved an average difference of 1.935 during the training phase and 8 during the testing phase. On the other hand, the Manhattan Distance-based model achieved an difference of 1.887 during the training phase and 9.039 during the testing phase."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership Universitas Indonesia Library