PEMBUATAN APLIKASI MESIN PENERJEMAH MENGGUNAKAN METODE NO LANGUAGE LEFT BEHIND DARI BAHASA INDONESIA KE BAHASA BANJAR

MAKING MACHINE TRANSLATION APPLICATIONS USING THE NO LANGUAGE LEFT BEHIND METHOD FROM INDONESIAN TO BANJAR

Mesin penerjemah adalah pilihan utama bagi orang-orang yang ingin mempelajari bahasa diluar dari daerah asli mereka. Bahasa Banjar sebagai bahasa lokal, meskipun jarang digunakan secara aktif, merupakan bahasa yang sering digunakan pada literatur lama khusus nya pada daerah Banjarmasin. Banyak mesin penerjemah yang dikembangkan tetapi tidak untuk Bahasa Banjar. BERT adalah salah satu model yang sering digunakan dalam Natural Language Processing . Secara keseluruhan No Language Left Behind menggunakan metode Sparsely Gated Mixture of Expert Layer. Ketika tahapan pembuatan aplikasi nanti, penulis menggunakan banyak library untuk memudahkan penulis. Untuk pengujian sistem nanti penulis menggunakan matriks kebaikan yaitu BLEU. Penulis juga menghitung berapa waktu yang dibutuhkan untuk menerjemahkan kalimat atau teks dari Bahasa Indonesia ke Bahasa Banjar. Pada pengujian didapatkan hasil untuk satu kali menerjemahkan dibutuhkan waktu kira-kira 9,40 detik untuk prediksi, dan 9,53 detik untuk mengakses api.

Machine translation is a top choice for people who want to learn a language outside of their native area. Banjar language as a local language, although rarely actively used, is a language that is often used in old literature specifically in the Banjarmasin area. Many machine translations were developed but not for Banjar. BERT is one of the models often used in Natural Language Processing. Overall, No Language Left Behind uses the Sparsely Gated Mixture of Expert Layer method. When the stage of making the application later, the author uses many libraries to make it easier for the author. For system testing, the author uses a goodness matrix, namely BLEU. The author also calculates how long it takes to translate a sentence or text from Indonesian into Banjarese. In the test, the results for one translation took approximately 9.40 seconds for prediction, and 9.53 seconds to access the API.