Bahasa Madura adalah bahasa ibu bagi penduduk pulau Madura, tetapi saat ini kurang diminati oleh remaja lokal yang lebih sering menggunakan bahasa gaul. Untuk melestarikan bahasa Madura, penelitian ini mengembangkan mesin penerjemah bahasa Madura-Indonesia menggunakan model Long Short Term Memory (LSTM) yang bergantung pada arsitektur Encoder-Decoder. Model ini melalui beberapa tahap pemrosesan data seperti tokenizing dan normalisasi, dengan data dipisahkan menjadi 80% untuk pelatihan dan 20% untuk pengujian. Sistem penerjemah ini diimplementasikan menggunakan Flask sebagai server untuk menghubungkan aplikasi Android dengan model terjemahan. Berdasarkan hasil BLEU-score, parameter seperti Batch Size dan Epochs memiliki dampak signifikan terhadap kinerja model. Percobaan pertama dengan Batch Size 126 dan Epochs 36 menunjukkan BLEU-score 0.3095 untuk 1-grams, namun menurun untuk n-grams yang lebih tinggi. Percobaan kedua dengan Epochs 50 menunjukkan penurunan BLEU-score menjadi 0.2534 untuk 1-grams. Percobaan dengan Batch Size 256 menghasilkan BLEU-score yang sangat rendah, sedangkan Batch Size 64 menunjukkan hasil terbaik dengan BLEU-score 0.3139 pada Epochs 36 dan tetap stabil pada Epochs 50. Percobaan-percobaan ini menunjukkan bahwa model mampu memberikan terjemahan akurat dan efisien dengan antarmuka yang responsif, meskipun semua model menunjukkan kecenderungan overfitting pada berbagai skenario uji coba.


Deskripsi Lain

Bahasa Madura adalah bahasa ibu bagi penduduk pulau Madura, tetapi saat ini kurang diminati oleh remaja lokal yang lebih sering menggunakan bahasa gaul. Untuk melestarikan bahasa Madura, penelitian ini mengembangkan mesin penerjemah bahasa Madura-Indonesia menggunakan model Long Short Term Memory (LSTM) yang bergantung pada arsitektur Encoder-Decoder. Model ini melalui beberapa tahap pemrosesan data seperti tokenizing dan normalisasi, dengan data dipisahkan menjadi 80% untuk pelatihan dan 20% untuk pengujian. Sistem penerjemah ini diimplementasikan menggunakan Flask sebagai server untuk menghubungkan aplikasi Android dengan model terjemahan. Berdasarkan hasil BLEU-score, parameter seperti Batch Size dan Epochs memiliki dampak signifikan terhadap kinerja model. Percobaan pertama dengan Batch Size 126 dan Epochs 36 menunjukkan BLEU-score 0.3095 untuk 1-grams, namun menurun untuk n-grams yang lebih tinggi. Percobaan kedua dengan Epochs 50 menunjukkan penurunan BLEU-score menjadi 0.2534 untuk 1-grams. Percobaan dengan Batch Size 256 menghasilkan BLEU-score yang sangat rendah, sedangkan Batch Size 64 menunjukkan hasil terbaik dengan BLEU-score 0.3139 pada Epochs 36 dan tetap stabil pada Epochs 50. Percobaan-percobaan ini menunjukkan bahwa model mampu memberikan terjemahan akurat dan efisien dengan antarmuka yang responsif, meskipun semua model menunjukkan kecenderungan overfitting pada berbagai skenario uji coba.

• Mesin Penerjemah Bahasa Madura Ke Bahasa Indonesia Menggunakan Recurrent Neural Network LSTM (Long Short Term Memory)