RNN Name-Origin Classifier

Klasifikasi asal bahasa/negara dari sebuah nama menggunakan character-level vanilla Recurrent Neural Network (RNN) yang dibangun dengan PyTorch. Setiap nama diproses huruf demi huruf; RNN menyimpan konteks antar-huruf lewat hidden state untuk memprediksi salah satu dari 18 kategori bahasa/asal.

Arsitektur

Model mengimplementasikan persamaan hidden state RNN standar:

h_t = tanh(W_h · h_{t-1} + W_x · x_t)

Komponen	Ukuran
Input size (jumlah karakter unik)	57
Hidden size	128
Output size (jumlah kategori)	18
Optimizer	Manual SGD (learning rate 0.005)
Loss function	Negative Log-Likelihood (NLLLoss)
Training method	Backpropagation Through Time (BPTT)

Hasil Training (Terverifikasi)

Checkpoint	Loss
Iterasi ke-1.000	2.87
Iterasi ke-50.000	1.28
Iterasi ke-100.000	0.83

Loss turun konsisten sepanjang 100.000 iterasi training, menandakan model berhasil mempelajari pola karakter per kategori bahasa.

Contoh Prediksi

Nama dari dalam distribusi dataset (top-3 prediksi):

Nama	Top-3 Prediksi
Abdiel	Spanish, French, English
Jackson	Scottish, English, Russian
Satoshi	Japanese, Polish, Italian

Nama modern/populer (di luar distribusi dataset asli):

Nama	Prediksi	Confidence
albert	Scottish	40.2%
ronaldo	Italian	56.1%
messi	Italian	74.7%
mbappe	Czech	21.8%
ibra	Scottish	62.4%
loli	Italian	94.1%

Keterbatasan

Dataset training berisi nama-nama historis yang dikelompokkan per bahasa/asal, bukan basis data kewarganegaraan tokoh publik. Karena itu, nama-nama pesepakbola modern (ronaldo, mbappe, messi) sering salah diklasifikasikan — ini adalah contoh nyata dari distribution shift antara data latih dan data uji, bukan bug pada implementasi model.

Cara Menjalankan

1. Buka rnn_name_classifier.ipynb di Google Colab atau Jupyter environment dengan PyTorch terpasang.
2. Jalankan cell secara berurutan — notebook akan otomatis meng-clone dataset yang dibutuhkan.
3. Model akan otomatis dilatih (±100.000 iterasi) dan disimpan sebagai rnn.pt di akhir notebook.
4. Untuk inference pada nama baru, gunakan fungsi predict_with_confidence(nama) pada bagian Inference.

Dataset

Dataset nama-per-kategori-bahasa diambil dari repo publik: Hands-On-NLP-Super-Class-Batch1.

Struktur Repo

.
├── rnn_name_classifier.ipynb   # Notebook lengkap: training, evaluasi, inference
└── README.md