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.