Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas tentang satuan lingual -ing dalam Bahasa Jawa Laras Pedalangan Gaya Surakarta. Tujuan penelitian ini untuk mengidentifikasi fungsi satuan lingual -ing dalam Bahasa Jawa Laras Pedalangan Gaya Surakarta. Metode yang digunakan dalam penelitian ini adalah deskriptif analisis. Data dalam penelitian ini berupa kalimat yang mengandung satuan lingual -ing yang terdapat dalam buku pakem pedalangan gaya Surakarta. Teori penelitian ini mengacu pada Sudaryanto (1978), A. Chaedar (1990), J.W.M. Verhaar (1999), Sudaryanto (1991), Harimurti (2002), dan Wedhawati (2006). Hasil penelitian ini memperlihatkan bahwa terdapat fungsi-fungsi satuan lingual -ing dalam Bahasa Jawa Laras Pedalangan Gaya Surakarta.

---

This thesis discusses about lingual unit of -ing in Javanese Surakarta's Style Wayang Language. This research aims to identifies function of lingual unit -ing in Javanese Surakarta's style Wayang Language. The research method that used in this research is descriptive method of analysis. The data research is a sentences that contain a lingual unit of -ing in Surakarta's style puppetry grip. This research theory referenced to Sudaryanto (1978), A. Chaedar (1990), J.W.M. Verhaar (1999), Sudaryanto (1991), Harimurti (2002) and Wedhawati (2006). The research show that there are several function of lingual unit -ing in Javanese as Surakarta's Style Wayang Language."

"Penelitian ini bertujuan untuk membangun model dependency parser untuk bahasa Jawa menggunakan pendekatan cross-lingual transfer learning. Metode transfer learning dipilih untuk mengatasi kurangnya dataset yang tersedia untuk proses training model pada bahasa Jawa yang merupakan low-resource language. Model dibangun menggunakan arsitektur encoder-decoder, tepatnya menggunakan gabungan dari self-attention encoder dan deep biaffine decoder. Terdapat tiga skenario yang diuji yaitu model tanpa transfer learning, model dengan transfer learning, dan model dengan hierarchical transfer learning. Metode transfer learning menggunakan bahasa Indonesia, bahasa Korea, bahasa Kroasia, dan bahasa Inggris sebagai source language. Sementara metode hierarchical transfer learning menggunakan bahasa Prancis, bahasa Italia, dan bahasa Inggris sebagai source language tahap satu, serta bahasa Indonesia sebagai source language tahap dua (intermediary language). Penelitian ini juga mengujikan empat word embedding yaitu fastText, BERT Jawa, RoBERTa Jawa, dan multilingual BERT. Hasilnya metode transfer learning secara efektif mampu menaikkan performa model sebesar 10%, di mana model tanpa transfer learning yang memiliki performa awal unlabeled attachment score (UAS) sebesar 75.87% dan labeled attachment score (LAS) sebesar 69.04% mampu ditingkatkan performanya hingga mencapai 85.84% pada UAS dan 79.22% pada LAS. Skenario hierarchical transfer learning mendapatkan hasil yang lebih baik daripada transfer learning biasa, namun perbedaannya tidak cukup signifikan.

---

This research aims to develop a Javanese dependency parser model using a cross-lingual transfer learning approach. The transfer learning method was chosen to overcome the lack of available datasets for the model training process in Javanese, a low-resource language. The model uses an encoder-decoder architecture, precisely combining a self-attention encoder and a deep biaffine decoder. Three scenarios are experimented with: a model without transfer learning, a model with transfer learning, and a model with hierarchical transfer learning. The transfer learning process uses Indonesian, Korean, Croatian, and English as source languages. In contrast, the hierarchical transfer learning process uses French, Italian, and English as the first-stage source languages and Indonesian as the second-stage source language (intermediary language). This research also experimented with four word embedding types: fastText, Javanese BERT, Javanese RoBERTa, and multilingual BERT. The results show that the transfer learning method effectively improves the model’s performance by 10%, where the model without transfer learning has an initial unlabeled attachment score (UAS) performance of 75.87% and labeled attachment score (LAS) of 69.04% can be increased to 85.84% in UAS and 79.22% in LAS. Hierarchical transfer learning has a slightly better result than standard transfer learning, but the difference is insignificant."

"Part-of-speech tagging, adalah task di bidang Natural Language Processing di mana setiap kata di dalam suatu kalimat dikategorisasi ke dalam kategori parts-of-speech (kelas kata) yang sesuai. Pengembangan model POS tagger menggunakan pendekatan machine learning membutuhkan dataset dengan ukuran yang besar. Namun, dataset POS tagging tidak selalu tersedia dalam jumlah banyak, seperti dataset POS tagging untuk bahasa Jawa. Dengan jumlah data yang sedikit, model POS tagger yang dilatih kemungkinan tidak akan memiliki performa yang optimal. Salah satu solusinya adalah dengan menggunakan pendekatan cross-lingual transfer learning, di mana model dilatih menggunakan suatu source language pada suatu task agar dapat menyelesaikan task yang sama pada suatu target language. Penelitian ini bertujuan untuk menguji performa pre-trained language model (mBERT, XLM-RoBERTa, IndoBERT) dan melihat pengaruh cross-lingual transfer learning terhadap performa pre-trained language model untuk POS tagging bahasa Jawa. Percobaan yang dilakukan menggunakan lima source language, yaitu bahasa Indonesia, bahasa Inggris, bahasa Uighur, bahasa Latin, dan bahasa Hungaria, serta lima jenis model, yaitu fastText + LSTM, fastText + BiLSTM, mBERT, XLM-RoBERTa, dan IndoBERT; sehingga secara keseluruhan ada total 35 jenis model POS tagger. Model terbaik yang dilatih tanpa pendekatan cross-lingual transfer learning dibangun menggunakan IndoBERT, dengan akurasi sebesar 86.22%. Sedangkan, model terbaik yang dilatih menggunakan pendekatan cross-lingual transfer learning dalam bentuk dua kali fine-tuning, pertama menggunakan source language dan kedua menggunakan bahasa Jawa, sekaligus model terbaik secara keseluruhan dibangun menggunakan XLM-RoBERTa dan bahasa Indonesia sebagai source language, dengan akurasi sebesar 87.65%. Penelitian ini menunjukkan bahwa pendektan cross-lingual transfer learning dalam bentuk dua kali fine-tuning dapat meningkatkan performa model POS tagger bahasa Jawa, dengan peningkatan akurasi sebesar 0.21%–3.95%.

---

Part-of-speech tagging is a task in the Natural Language Processing field where each word in a sentence is categorized into its respective parts-of-speech categories. The development of POS tagger models using machine learning approaches requires a large dataset. However, POS tagging datasets are not always available in large quantities, such as the POS tagging dataset for Javanese. With a low amount of data, the trained POS tagger model may not have optimal performance. One of the solution to this problem is using the cross-lingual transfer learning approach, where a model is trained using a source language for a task so that it can complete the same task on a target language. This research aims to test the performance of pre-trained language models (mBERT, XLM-RoBERTa, IndoBERT) and to see the effects of cross-lingual transfer learning on the performance of pre-trained language models for Javanese POS tagging. The experiment uses five source languages, which are Indonesian, English, Uyghur, Latin, and Hungarian, as well as five models, which are fastText + LSTM, fastText + BiLSTM, mBERT, XLM-RoBERTa, and IndoBERT; hence there are 35 POS tagger models in total. The best model that was trained without cross-lingual transfer learning approach uses IndoBERT, with an accuracy of 86.22%. While the best model that was trained using a cross-lingual transfer learning approach, implemented using a two fine-tuning process, first using the source language and second using Javanese, as well as the best model overall uses XLM-RoBERTa and Indonesian as the source language, with an accuracy of 87.65%. This research shows that the cross-lingual transfer learning approach, implemented using the two fine-tuning process, can increase the performance of Javanese POS tagger models, with a 0.21%–3.95% increase in accuracy."

"Pendekatan transfer learning telah digunakan di beragam permasalahan, khususnya low-resource language untuk meningkatkan performa model di masing-masing permasalahan tersebut. Fokus pada penelitian ini ingin menyelidiki apakah pendekatan cross-lingual transfer learning mampu meningkatkan performa pada model constituency parsing bahasa Indonesia. Constituency parsing adalah proses penguraian kalimat berdasarkan konstituen penyusunnya. Terdapat dua jenis label yang disematkan pada konstituen penyusun tersebut, yakni POS tag dan syntactic tag. Parser model yang digunakan di penelitian ini berbasis encoder-decoder bernama Berkeley Neural Parser. Terdapat sebelas macam bahasa yang digunakan sebagai source language pada penelitian ini, di antaranya bahasa Inggris, Jerman, Prancis, Arab, Ibrani, Polandia, Swedia, Basque, Mandarin, Korea, dan Hungaria. Terdapat dua macam dataset bahasa Indonesia berformat Penn Treebank yang digunakan, yakni Kethu dan ICON. Penelitian ini merancang tiga jenis skenario uji coba, di antaranya learning from scratch (LS), zero-shot transfer learning (ZS), dan transfer learning dengan fine-tune (FT). Pada dataset Kethu terdapat peningkatan F1 score dari 82.75 (LS) menjadi 84.53 (FT) atau sebesar 2.15%. Sementara itu, pada dataset ICON terjadi penurunan F1 score dari 88.57 (LS) menjadi 84.93 (FT) atau sebesar 4.11%. Terdapat kesamaan hasil akhir di antara kedua dataset tersebut, di mana masing-masing dataset menyajikan bahwa bahasa dari famili Semitic memiliki skor yang lebih tinggi dari famili bahasa lainnya.

---

The transfer learning approach has been used in various problems, especially the low-resource languages, to improve the model performance in each of these problems. This research investigates whether the cross-lingual transfer learning approach manages to enhance the performance of the Indonesian constituency parsing model. Constituency parsing analyzes a sentence by breaking it down by its constituents. Two labels are attached to these constituents: POS tags and syntactic tags. The parser model used in this study is based on the encoder-decoder named the Berkeley Neural Parser. Eleven languages are used as the source languages in this research, including English, German, French, Arabic, Hebrew, Polish, Swedish, Basque, Chinese, Korean, and Hungarian. Two Indonesian PTB treebank datasets are used, i.e., the Kethu and the ICON. This study designed three types of experiment scenarios, including learning from scratch (LS), zero-shot transfer learning (ZS), and transfer learning with fine-tune (FT). There is an increase in the F1 score on the Kethu from 82.75 (LS) to 84.53 (FT) or 2.15%. Meanwhile, the ICON suffers a decrease in F1 score from 88.57 (LS) to 84.93 (FT) or 4.11%. There are similarities in the final results between the two datasets, where each dataset presents that the languages from the Semitic family have a higher score than the other language families."

"Perkembangan daerah terbangun di Indonesia khususnya di Pulau Jawa, terus meningkat dalam beberapa dekade. Sumbangan sektor ekonomi yang dominan dan pesat di daerah perkotaan telah memicu masyarakat untuk hidup dan berkegiatan di wilayah kota, bahkan berkembang hingga di luar batas administrasi kota. Sumbangan ekonomi dan pertumbuhan penduduk tersebut mengakibatkan berkembangnya kawasan-kawasan baru di sekitar pusat kota dan di sepanjang jaringan transportasi menjadi kota-kota satelit atau aglomerasi penduduk yang maju, strategis serta memiliki fasilitas dan sarana-prasarana yang lengkap. Penelitian ini bertujuan untuk menjelaskan proses dan intensitas perubahan penggunaan tanah menjadi daerah terbangun di Wilayah Cirebon yang dibagi menjadi 3 kategori; tinggi, sedang dan rendah, sementara faktor-faktor yang mempengaruhinya dianalisis dengan menggunakan regresi logistik. Peran kebijakan pemerintah kota/kabupaten dalam perkembangan daerah terbangun dianalisis dengan membandingkan pola perkembangan hirarki pusat pelayanan dengan perencanaan tata ruang. Dari 45 kecamatan yang dianalisis, intensitas tinggi ditemukan di 7 kecamatan, intensitas sedang di 18 kecamatan dan intensitas rendah di 20 kecamatan. Proses perubahan penggunaan tanah menjadi daerah terbangun berasal dari persawahan, evolusi dari hutan menjadi tanah terbuka, tegalan/kebun, serta semak belukar, dengan persebaran terdapat di pinggiran kota hingga ke arah barat mengikuti jalur pantura. Faktor pengaruh signifikan adalah ketinggian, lereng, jarak dari pusat kota (Cirebon), jarak dari pusat kabupaten (Sumber), hirarki pusat pelayanan, dan kerapatan jalan. Sementara itu, kebijakan pemerintah Kota Cirebon sebagai pusat pelayanan utama dan pengendali arah pembangunan diidentifikasi sebagai faktor kebijakan dominan yang mendorong perubahan penggunaan tanah.

---

The expansion of developed areas in Indonesia especially in Java, continues to increase remarkably in recent decades. Dominant and rapid economic contributions in urban areas has encourage the people e.g. workers to live and undertake activities in the surrounding region, even beyond the limits of the city administration. Thus the economic contribution and the populations growth of urban areas has fueled the growth of new areas along the transportation corridors to form strategic satellite cities.

This study aims to explain the changes and intensity of various land use types in Cirebon Region into developed areas were grouped into three categories; high, medium and low, while the influencing factors was analysed by logistic regression. The role of goverment in advancing the developed areas was analysed by comparing the shifting patterns of economic sectors and the hierarchical development of service centers with the spatial planning, of cities and districts.

Of 45 sub-districts subjected to the analysis, high intensity was identified from 7 sub-districts, medium intensity was identified from 18 sub-districts, and low intensity was identified from 20 sub-districts. Land use changes originated from paddy fields, and evolving forests into bare land, orchards and bushes. They occured along the suburban areas, moving towards the west along the Pantura transportation corridors.

Significant influencing factors were altittude, slope factor, the distance from city nuclea (Cirebon), the distance from district nuclea (Sumber), the central place hierarchy, and road density. Meanwhile, the governmental policy of Cirebon Municipality as the main service center and controller of development direction was identified as the dominant policy factor that induced the land use changes in the region."

"ABSTRAKMenurut Pusat Pembinaan dan pengembangan bahasa di Indonesia terdapat tidak kurang dari 400 bahasa daerah dan sabdaraja. Baik jumlah pemakai, luas daerah pakai, maupun pemakai bahasa dan sabdarajanya itu tidak sama. Ada bahasa yang jumlahnya sangat banyak, seperti misalnya bahasa Jawa (BJ) dan bahasa Sunda (BS), ada pula yang jumlah pemakainya sangat sedikit, seperti misalnya bahasa-bahasa di Irian Jaya."