Story generator berperan penting bagi penulis cerita dalam membantu menghasilkan ide-
ide maupun konsep awal cerita. Penggunaan Keras Tokenizer serta model word embedding

membutuhkan kecepatan pelatihan model yang relatif lambat untuk menjalankan ratusan iterasi
pelatihan. Pada penelitian ini, kami usulkan metode perancangan word-level story generator
bahasa Indonesia menggunakan model Markov Chain dengan Bidirectional GRU yang mampu
menghasilkan kualitas teks serupa dengan keluaran model word embedding, namun memiliki
kecepatan pelatihan model yang lebih cepat. Performa model Markov Chain-BiGRU akan
dibandingkan dengan performa model BiGRU (word-level) dan model GRU (character-level).
Evaluasi model tahap pertama dilakukan dengan cara membandingkan nilai loss dan kecepatan
pelatihan setiap model; evaluasi model tahap kedua dilakukan dengan cara survei kepada 33
orang assessors; sedangkan evaluasi model tahap ketiga dilakukan dengan cara membandingkan
performa model dengan model penelitian serupa. Story generator bahasa Indonesia ini mampu
meningkatkan kecepatan pelatihan model sebesar 66,38% dari model word embedding penelitian
serupa, serta menghasilkan kualitas teks yang lebih baik dibandingkan dengan keluaran model
konvensional neural-based maupun word embedding.
Kata kunci— Story Generator, Keras Sequential Model, Markov Chain, Bidirectional GRU