Sistem Tanya Jawab Secara Lisan Pada Anak Usia Dini = Oral Question And Answer System In Early Childhood

Tanya jawab adalah topik yang terkenal dalam Pengolahan Bahasa Alami (NLP). Fitur ini sangat cocok untuk digunakan dalam kegiatan pembelajaran di taman kanak-kanak untuk membantu melatih interaksi sosial. Masalah dalam penelitian ini adalah bahwa sistem yang dikembangkan harus mampu memahami pertanyaan dari anak-anak. Oleh karena itu, penelitian ini mengusulkan metode Dense Neural Network (DNN), yang dapat menangani pertanyaan dengan urutan kata non-linear menggunakan korpus Pertanyaan dan Jawaban bahasa Indonesia. Hal ini kompleks, mengingat pertanyaan mereka sering perlu diucapkan dengan benar karena kemampuan mereka yang terbatas dalam merumuskan pertanyaan secara tepat. Hasil eksperimen menunjukkan bahwa pendekatan DNN yang diusulkan hasil Presisinya sedikit rendah dari LSTM namun lebih unggul pada nilai Loss dibandingkan metode Long Short Term Memory (LSTM) dalam memahami dan menjawab pertanyaan dari anak-anak, terutama yang perlu lebih terstruktur dan dirumuskan tetapi memiliki konteks yang jelas. DNN dalam proses pelatihan pada 5000 dataset korpus, memperoleh nilai presisi yang lebih rendah sidikit dari LSTM yaitu sebesar 0.9474 namun menperoleh hasil Loss yang lebih rendah sebesar 0.1170, sementara metode LSTM menunjukkan presisi yang lebih tinggi, yaitu dengan nilai presisi 0.9516 dengan nilai Loss yang lebih tinggi sebesar 0.2665. Dalam uji coba dengan 110 pertanyaan dan pola yang berbeda, metode DNN memperoleh presisi terbaik sebesar 81,81%. Hasil studi ini memberikan kontribusi penting bagi pengembangan sistem NLP yang dapat digunakan dalam konteks pembelajaran awal anak-anak.