Please enable JavaScript.

Coggle requires JavaScript to display documents.

Part of Speech Tagger untuk Bahasa Indonesia Menggunakan Conditional…

- - - - Cara ini juga mempunyai komponen machine learning untuk mengambil aturan (rule) secara otomatis dari training korpus
      - Sama halnya seperti halnya rule based tagger cara ini berdasarkan pada aturan-aturan yang sudah ditentukan ketika menemui kata-kata yang ambigu.
      - Gabungan kedua cara diatas.
    - - Dilakukan dengan cara bottom-up, yaitu dengan menggunakan korpus sebagai training data untuk menentukan secara probabilistik tag terbaik untuk sebuah kata dalam sebuah konteks.
    - - Dengan cara top-down, yaitu melakukan konsultasi dengan ahli linguistik untuk menentukan aturan-aturan yang biasa digunakan manusia.
  - - - Selain itu CRF juga menghindari masalah label bias, kelemahan yang ditunjukkan oleh maximum entropy markov model (MEMM) dan model conditional markov lain yang merupakan directed graphical models
      - Dibandingkan dengan hidden markov modeL
        
        Adalah sifat bersyaratnya (conditional), sehingga mengurangi ketergantungan asumsi yang dibutuhkan oleh HMM untuk memastikan inferensi mudah dikerjakan [8].
      - Metode probabilistik yang digunakan dalam pengembangan POS Tagging dan memiliki kelebihan diantara metode probabilistik lain, seperti Hidden Markov Model (HMM) serta Maximum Entropy Methods
    - - 𝑍(𝑥) = ∑y ∏c 𝜓𝑐(𝑦𝑐 , 𝑥)
      - 𝑃(𝑦|𝑥) = (1 / 𝑍(𝑥)) ∏c 𝜓𝑐(𝑦𝑐, 𝑥)
    - - Extraksi Fitur
        
        Pemilihan fitur yang tepat dapat meningkatkan akurasi pelabelan.
        
        Fitur node
        
        berikut ini merupakan contoh fitur node, yaitu : 𝑓𝑡(𝑦𝑡 , 𝑥,𝑡) { 1 𝑖𝑓 𝑦𝑡 = 𝐶𝐶 , 𝑥 = 𝑆𝑎𝑦𝑎 0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠e
        
        Fitur node merupakan asosiasi antara label 𝑦 dengan data masukan 𝑥,
        
        Fitur di atas merupakan fitur ke-t yang bernilai 1 jika label CC dan kata yang sedang diproses adalah saya, jika bukan maka bernilai 0.
        
        Fitur Edge
        
        Berikut ini adalah contoh fitur edge, yaitu : 𝑓𝑡(𝑦𝑡 , 𝑦𝑡+1 , 𝑥,𝑡) { 1 𝑖𝑓 𝑦𝑡 = 𝑁𝑁𝑃 , 𝑦𝑡+1 = 𝑉𝐵 0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠e
        
        Asosiasi antara label kelas kata untuk kata yang sedang diproses dengan label kelas kata untuk kata setelahnya
        
        Fitur di atas merupakan fitur ke-t yang bernilai 1 jika label kelas kata untuk kata yang sedang diproses merupakan NNP dan label kelas kata untuk kata setelahnya adalah VB, jika bukan maka bernilai 0.
        
        Dalam penelitian ini sendiri terdapat dua fitur, yaitu fitur node dan fitur edge.
      - Training
        
        Proses training dilakukan untuk mendapatkan nilai optimal untuk parameter fitur node dan parameter fitur edge.
        
        Nilai parameter didapatkan dengan menggunakan maximum likelihood yang dapat dituliskan
      - Testing
        
        Tahap ini merupakan tahap untuk menentukan label kelas kata untuk seluruh data, bukan hanya satu node saja, menemukan urutan label yang paling memungkinkan untuk diberikan terhadap data masukan.
        
        Pada langkah ini digunakan metode Viterbi Decoding. Ada dua langkah prosedur pada metode ini, yaitu
        
        Maximal Forward Pass
        
        Digunakan untuk menemukan probabilitas paling optimal untuk data masukan dengan mempertimbangkan hubungan antara label kelas kata untuk kata yang sedang diproses dengan label kelas kata untuk kata setelahnya.
        
        Backtracking Pass
        
        Dgunakan untuk menemukan
        label paling optimal.