Deteksi Operasi Hitung Pada Soal Cerita Campuran Menggunakan Recursive Neural Network

Prasetya, Agung (2019) Deteksi Operasi Hitung Pada Soal Cerita Campuran Menggunakan Recursive Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 5114201013-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (1MB) | Request a copy

Abstract

Soal cerita berperan penting untuk mengembangkan sebuah sistem yang dapat berkomunikasi dengan manusia. Pada soal cerita, untuk menjawab pertanyaan soal, sebuah mekanisme diperlukan untuk menerjemahkan narasi yang tertulis dalam bahasa manusia ke suatu bentuk baku yang berupa persamaan matematika.
Pembentukan persamaan membutuhkan sebuah metode untuk mendeteksi jenis operasi hitung. Operasi hitung dapat dideteksi dengan mendekomposisikan terlebih dahulu teks soal yang utuh ke dalam segmen-segmen teks dan menerjemahkan masing-masing segmen teks ke operasi hitung. Kelemahan utama dari metode berbasis dekomposisi terletak pada proses penentuan segmen atau bagian teks soal yang perlu diterjemahkan. Proses penentuan segmen-segmen teks tidak mempertimbangkan adanya struktur semantik soal. Struktur semantik ini berpotensi menghasilkan segmen-segmen teks yang memiliki makna yang jelas sehingga jenis maupun urutan operasi hitung yang terdeteksi tidak sesuai dengan makna cerita. Untuk mengatasi kelemahan metode berbasis dekomposisi, penelitian ini mengusulkan sebuah metode deteksi operasi hitung dengan mempertimbangkan struktur semantik soal. Penguraian struktur semantik soal cerita dimodelkan sebagai masalah prediksi struktur. Untuk menyelesaikan permasalahan prediksi struktur, penelitian ini menerapkan model Recursive Neural Network. Kemudian, masing-masing segmen teks diterjemahkan ke jenis operasi menggunakan classifier berbasis Multilayer Perceptron.
Hasil uji coba pada soal-soal Buku Sekolah Elektronik kelas dasar menunjukkan metode usulan dapat mendeteksi operasi hitung pada soal cerita. Penggunaan Recursive Neural Network dalam mengurai struktur semantik soal menghasilkan tingkat akurasi sebesar 86.4%. Evaluasi terhadap metode deteksi operasi hitung dengan melibatkan struktur semantik untuk jumlah fold sebesar 5 menunjukkan rata-rata akurasi 0.867, rata-rata precision 0.685, rata-rata recall 0.59 dan rata-rata F1 Score sebesar 0.583.
================================================================================================
Math word problem plays important role for the development of system which can communicate with human. To give a correct answer, an approach is required to translate human-readable story into formal form, an equation.
Constructing an equation requires an approach to identify math operations. Math operations can be identified by decomposing word problem text into a set of segments and translating each segment into math operation. However, decomposition-based method has not been considered semantic structure of word problem yet. Considering semantic structure to decompose text will produce meaningful segments and thus operation order is inconsistent with story. To cope this problem, this work proposes a method by considering semantic structure of word problem. Parsing semantic structure is formulated as structured prediction problem. This word adopt Recursive Neural Network to solve those problem. Then, each generated segment of text is translated to math operation using Multilayer Perceptron based classifier.
Experimental result using a set of word problems collected from elementary books, Buku Sekolah Elektronik, show that the proposed method can be used to detect math operation. Parsing semantic structure using Recursive Neural Network achieves 86.4% accuracy. The proposed method considering semantic structure to identify math operation achieves 0.867 accuracy, 0.685 precision, recall 0.59 dan F1 Score 0.583.

Item Type:	Thesis (Undergraduate)
Additional Information:	RTIf 006.312 Pra d-1 2019
Uncontrolled Keywords:	soal cerita, struktur semantik soal, operasi hitung, recursive neural network, parsing struktur
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T58.6 Management information systems T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Agung Prasetya
Date Deposited:	29 Sep 2021 05:52
Last Modified:	29 Sep 2021 05:52
URI:	http://repository.its.ac.id/id/eprint/61173

Actions (login required)

View Item