Model Machine Translation seringkali dikembangkan menggunakan dataset yang
memiliki tata bahasa yang sempurna. Pengembangan model hanya pada
dataset yang memiliki tata bahasa yang sempurna bisa saja secara tidak sengaja
memunculkan bias pada minoritas dengan latar belakang linguistik yang berbeda
dari mayoritas. Adversarial Attack adalah salah satu cara untuk memperkecil bias
ini.
Pada tugas akhir ini, telah dilakukan adversarial attack dengan cara pertubasi katakata
dalam kalimat dengan mengubah bentuk morfologis kata-kata. Pertubasi ini
menghasilkan kalimat adversarial example yang memiliki tata bahasa yang tidak
sempurna. Karena pemilihan pertubasi-pertubasi bentuk morfologis membentuk
sebuah search space yang diskrit, kita bisa memandang proses ini sebagai sebuah
masalah optimasi diskrit. Tugas akhir ini berfokus pada 3 metode berbeda
yakni: Genetic Algorithm, Simulated Annealing, dan sebuah modifikasi dari
algoritma Reinforcement Learning yang bernama REINFORCE algorithm. Dengan
membandingkan metode diatas dengan metode greedy algorithm yang merupakan
metode yang sering digunakan, tidak ada perbedaan signifikan antara kalimat yang
dihasilkan oleh semua metode-metode. Bila dipandang dari efisiensi algoritma,
didapatkan bahwa Simulated Annealing yang 3 kali lebih cepat dari algoritma paling
lambat (Genetic Algorithm) dan 2 kali lebih cepat dari algoritma kedua tercepat
(REINFORCE).