Story Generator Bahasa Indonesia Menggunakan Skip-Thoughts

Abstract

Saat ini banyak penelitian yang berkeinginan agar komputer mampu meniru kreativitas manusia dalam merangkai kata menjadi tulisan seperti layaknya seorang penulis. Penelitian ini bertujuan menggunakan algoritma RNN berbasis model skipthoughts untuk menghasilkan penulisan cerita otomatis berbahasa Indonesia. Kontribusi utama dalam penelitian ini adalah pembuatan dan evaluasi model skipthoughts dengan menggunakan dataset berbahasa Indonesia. Model skip-thoughts terdiri dari sebuah encoder berupa satu layer GRU 500 hidden unit, dan dua buah decoder dengan masing-masing satu layer GRU 500 hidden unit. Encoder berfungsi melakukan proses pemetaan kata dari kalimat masukan, sedangkan decoder melakukan prediksi kalimat sebelum (previous decoder) dan kalimat sesudah (next decoder) dari kalimat masukan. Dataset yang digunakan dalam pelatihan model berupa cerita berbahasa Indonesia dengan genre cerita rakyat, cerita pendek kehidupan, dan cerita pendek romansa. Evaluasi model dilakukan dengan menggunakannya pada aplikasi story generator yang akan menghasilkan cerita bahasa Indonesia sesuai genre yang dipilih, kemudian keluarannya dievaluasi oleh responden yang berlatarbelakang penulis, editor naskah, serta penyuka dan pembaca cerita-cerita fiksi. Berdasarkan penilaian dari berbagai percobaan story generator dalam menghasilkan cerita bahasa Indonesia, model skip-thoughts sudah bekerja baik ditinjau dari kriteria kelengkapan unsur S-P-O-K kalimat yang dihasilkan. Unsur tokoh dalam cerita juga dinilai sudah baik, Kriteria keterkaitan antar kalimat, keutuhan cerita, tema, alur, dan latar dalam cerita dinilai cukup baik. Hal ini menjadi ruang perbaikan bagi penelitian selanjutnya untuk dapat memodifikasi arsitektur model agar dapat memastikan alur, tema, dan latar cerita sehingga konteks keutuhan cerita menjadi lebih baik.