Perpustakaan Digital ITB

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).