DAFTAR ISI

Kata Pengantar…………………….

…………………………………………………………………………
1. Pendahuluan ………………………………. ………………………………………………………………………………………. 3 3

2

Latar Belakang……………………………….
…………………………………………………………………………………… 2. Isi………………………………. ……………………………………………………………………………………………………… … 5 1. Pengertian………………………………. ……………………………………………………………………………………… 2. Bahasa Alami………………………………. ……………………………………………………………………………… 2.1 Komponen 2.2 Sistem 2.2.1 Sistem Speech 6 5

Utama Pemrosesan

Pengolahan
6

Bahasa Bahasa

Alami Alami

…………………………………………………..

……………………………………………………………………… 6

Recognition……………………………………………………………………
7 2.2.2 Sistem Text to

Speech…………………………………………………………………………….
9 2.2.3 Natural Language

Processing…………………………………………………………………
2.3 Aplikasi 3. Bidang

11

Pengolahan Pengetahuan

Bahasa
12

Alami Natural
15

……………………………………………………………………

Dalam

Language…………………………………………………………
3.1 Proses

Sintaksis……………………………………………………………………………………
………………… 17 1

3.2 Gramatika

………………………………. 17

……………………………………………………………………………… 3.3 Chomsky

Hierarchy

Of
19

Generative

Grammar………………………………………………………

3.4 Parsing…………………………………………………………………………………… ………………………………… 20

3.5 Semantik………………………………………………………………………………… …………………………………21 3.6 Semantik

Grammar…………………………………………………………………………………
……………… 22

3.7 Automated Transition Networks (ATN) ………………………………. …………………………… 24

3. Penutup………………………………. ……………………………………………………………………………………………… 1. Kesimpulan………………………………. …………………………………………………………………………… 2. Daftar Pustaka………………………………. ……………………………………………………………………… 29 27 27

KATA PENGANTAR

2

Terima kasih kami sampaikan kepada Bapak Victor Amrizal selaku dosen mata kuliah Kecerdasan Buatan yang telah memberikan kuliah demi lancarnya tugas ini. Dalam sejarah peradaban 3 . 29 Maret 2011 Penulis Bab I PENDAHULUAN 1.1 Latar Belakang Teknologi berkembang semakin cepat dari waktu ke waktu karena penemuan satu teknologi baru dapat mempercepat penemuan teknologi berikutnya. Yang didalamnya membahas secara menyeluruh tentang Natural Language Processing. Makalah ini dibuat untuk memenuhi tugas kelompok pada mata kuliah Kecerdasan Buatan. karenanya kritik dan saran yang membangun sangat kami butuhkan untuk kemajuan kita bersama. Jakarta.Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat serta hidayah-Nya kepada penulis sehingga dapat menyelesaikan makalah ini dengan baik dan tepat waktu. Makalah ini merupakan tugas mata kuliah Kecerdasan Buatan dengan materi “Natural Language Processing” atau Pemrosesan Bahasa Alami. Demikianlah tugas ini kami susun semoga bermanfaat untuk kita semua. Serta rekanrekan yang memeberikan masukkan dan motivasinya kepada kelompok kami. Penulis menyadari akan kekurangan dan ketidak-sempurnaan dalam penulisan ini.

Sebagai contoh. • berbagai sensor untuk menerima masukan dan mendeteksi keadaan di sekitarnya.manusia. sesuai dengan kebutuhan yang berkembang. Tentunya. terdapat banyak penemuan yang dapat menghasilkan teknologi yang berpengaruh besar terhadap kehidupan manusia. penemuan teknologi mesin uap oleh Thomas Savery (1689) yang selanjutnya disempurnakan oleh James Watt menjadi bentuk yang lebih memungkinkan digunakan pada berbagai aplikasi. peradaban manusia telah sampai pada suatu keadaan dimana kita tidak mungkin melepaskan diri dari teknologi komputer digital. serta teknologi telekomunikasi nirkabel untuk mengakses jaringan nirkabel yang berada disekitarnya. Melihat keadaan teknologi yang sudah dicapai saat ini serta kesadaran bahwa teknologi yang ada sekarang berkembang terus dengan cepat. disertai dengan tersedianya prosesor mikro yang semakin tinggi kemampuannya. Namun. Pertanyaan yang menarik untuk dipikirkan adalah ‘akan seperti apa bentuk komputer pada akhir abad ini?’. komputer tersebut juga tetap harus dilengkapi dengan perangkat lunak untuk mengedalikan semua sistem serta menjalankan fungsi-fungsinya. kini telah terjadi perkawinan antara PDA dengan telepon selular menjadi PDA-phone atau smart phone. bukan bahasa khusus yang rumit. Sebagai contoh perkembangan komputer saat ini adalah munculnya PDA (Personal Digital Asistant). tidak berlebihan jika berharap computer yang mendekati ’komputer masa depan’ tersebut akan tersedia sebelum abad ini berakhir. Perangkat keras serta sebagian perangkat lunak akan bersifat generik. tetapi sebagian komponen perangkat lunaknya akan bersifat ’language dependent’. penemuan teknologi telpon oleh Alexander Graham Bell (1876). Berbagai film fiksi ilmiah mencoba menggambarkan bentuk komputer masa depan tersebut. pencatatan jadual kegiatan. serta • kemampuan untuk berinteraksi secara lisan dengan pemakaianya menggunakan ucapan menggunakan bahasa sehari-hari. Salah satunya mengggambarkan sebuah computer berbentuk kartu kredit yang dilengkapi dengan : • prosesor yang sangat kuat dan memori yang sangat besar. atau catatan singkat. Bahkan. • batere yang tahan lama dan manajemen energi yang baik. • perangkat untuk menghasilkan suara dan memproyeksikan gambar. yaitu perangkat lunak yang melakukan 4 . PDA mulai mampu menjalankan berbagai aplikasi yang tadinya hanya dapat dijalankan di atas PC. atau penemuan teknologi komputer. PDA pada awalnya hanya dirancang untuk menjalankan fungsi-fungsi praktis seperti pencatatan serta pencarian daftar alamat dan telpon. Kini.

NLP memodelkan pengetahuan terhadap bahasa. Bab II ISI 1. Bagian berikutnya dari tulisan ini akan difokuskan pada pembahasan teknologi yang berkaitan dengan pemrosesan bahasa alami tersebut. bagaimana kata-kata bergabung menjadi satu kalimat dan konteks kata dalam kalimat.pemrosesan bahasa alami secara lisan. terjadinya interaksi antara manusia dan komputer dengan perantara bahasa alami yang dipakai oleh manusia. Salah satunya adalah bagaimana membuat komputer memahami perintah yang diberikan pengguna dalam bahasa sehari-hari (natural language). Dewasa ini aplikasi konsep AI terus berkembang. Sandi Setiawan [1993:3]. baik dari segi kata. Pengertian NLP adalah proses pembuatan model komputasi bahasa sehingga memungkinkan “Natual Language Processing (NLP) atau Pengolahan Bahasa Alami (PBA) merupakan salah satu bidang ilmu kecerdasan buatan (Artificial Intelligence) yang mempelajari komunikasi antara manusia dengan komputer”. Untuk itulah penulis mencoba mengangkat tema Natural Language Processing dalam makalah ini. 5 . dan merespon perintah tersebut dalam bahasa sehari-hari.

Untuk bisa mencapai keinginan di atas maka perlu adanya teknik-teknik “pengemasan” kalimat. Pada prinsipnya bahasa alami adalah suatu bentuk representasi dari suatu pesan yang ingin dikomunikasikan antar manusia. inferensi semantik tingkat tinggi bahkan komunikasi emosi lewat irama bicara. Pelacakan klasik dan teknik penyocokan pola (pattern matching) digunakan bersama dengan basis pengetahuan agar komputer bisa mengerti apa yang kita masukkan dalam bahasa alami. semantik. Dalam hubungan ini teknik AI digunakan untuk menampilkan pengetahuan internal dan mengolah input.1 Komponen Utama Pengolahan Bahasa Alami 6 . Bahasa alami adalah bahasa yang dipakai manusia dalam kehidupan sehari-hari misalnya Bahasa Indonesia. Bahasa Inggris dan sebagainya. Parser berfungsi untuk membaca kalimat. Bentuk utama representasinya adalah berupa suara/ucapan (spoken language). fonologi. fonologi. tetapi sering pula dinyatakan dalam bentuk tulisan. Dalam pemahaman suatu bahasa ada beberapa bidang yang harus disertakan yaitu morfologi. kalimat. dan pengetahuan tentang dunia sekitar. Untuk mengelola kerumitan ini. Bila komputer sudah mengerti input kita. sintaksis. pragmatik. Untuk alasan-alasan inilah maka komputer harus bisa mengoutputkan bahasa alami yang memadai dengan cara yang paling mudah. para ahli bahasa telah mendefinisikan tingkat analisis yang berbeda untuk bahasa alami yaitu persanjakan. Komputer harus mengerti gramatika dan definisi kata-kata. morfologi. 2.dan pengetuhuan tentang dunia sekitar. Bahasa merupakan fenomena yang rumit yang melibatkan proses pengenalan bunyi atau huruf. maka ia bisa melakukan hal-hal yang kita harapkan/output. 2. pragmatik. sintaksis. pikiran dan perasaan. Kita harapkan agar outputnya pun akan dinyatakan atau diekspresikan dalam bahasa alami juga. komputer harus mempunyai pengetahuan analisis dan interpretasi input dalam mengakuisisi data knowledgenya. frase dan output lainnya.Agar komputer bisa memahami pertanyaan dalam bahasa alami. sintaksis. Bahasa Alami “Bahasa adalah suatu sistem untuk komunikasi yang tardiri atas simbol dan aturan yang digunakan untuk mengekspresikan ide. kata demi kata dan menentukan jenis kata apa saja yang boleh mengikuti kata tersebut. semantik. Inti dari pemrosesan bahasa alami adalah penguraian kalimat atau sering disebut dengan parser.

2) Sub-sistem Text to Speech (TTS). yaitu sistem yang berfungsi untuk mengubah atau mengenali suatu ucapan (bahasa lisan) menjadi text (bahasa tulisan). 1) Sub-Sistem Natural Language Processing (NLP).1 Sistem Speech Recognition 7 .2. berfungsi untuk melakukan pemrosesan secara simbolik terhadap bahasa tulisan.Pengolahan bahasa alami terdiri dari tiga bagian utama yaitu: a. 2. Berbeda dengan kebanyakan sistem lain yang bersifat generik. sistem pemeriksa sintaks bahasa. Suatu sistem atau teknik yang berlaku untuk suatu bahasa tidak mudah diterapkan untuk bahasa lainnya. berfungsi untuk mengubah text (bahasa tulisan) menjadi ucapan (bahasa lisan). Beberapa bentuk aplikasi sub sistem ini adalah translator bahasa alami (misalnya dari Bahasa Inggris ke Bahasa Indonesia). Output Translator Suatu terjemahan yang merepresentasikan system pengetahuan dan melakukan langkah-langkah yang bisa berupa jawaban atas bahasa alami atau output khusus dengan program computer lainnya. teknik-teknik yang digunakan dalam pemrosesan bahasa alami bersifat sangat ‘language dependent’. sistem yang dapat ”menyimpulkan” suatu narasi. kata sifat dll) b. 2. merupakan kebalikan teknologi Text to Speech. System Representasi Pengetahuan Suatu system yang menganalisis output parser untuk menentukan maknanya. Parser Yaitu suatu system yang mengambil kalimat input dan menguraikannya kedalam beberapa bagian gramatika (kata benda kerja.2 Sistem Pemrosesan Bahasa Alami Suatu sistem pemrosesan bahasa alami secara lisan dapat dibentuk dari tiga subsistem. yaitu sebagai berikut. c. 3) Sub-Sistem Speech Recognition (SR). dan sebagainya.

untuk kurun waktu yang singkat. Sistem ini biasanya lebih akurat dan lebih mudah dilatih. juga terpengaruh oleh fonem-fonem disekitarnya. selanjutnya sistem akan mengidentifikasikan kata atau kalimat yang diucapkan dan menghasilkan teks yang sesuai dengan apa yang diucapkan. Masukan sistem adalah ucapan manusia. tetapi tidak dapat mengenal kata yang berada di luar kosa kata yang pernah diajarkan. 8 . Sistem yang lebih sederhana adalah sistem yang hanya dapat mengenal sejumlah kata yang jumlahnya terbatas. Gambar 1. Diagram Blok Sistem Pengenal Ucapan Penganalisis sintaks biasanya melakukan transformasi sinyal ucapan dari domain waktu ke domain frekuensi. pengucapan suatu unit bunyi ucapan (fonem) seringkali bervariasi antar orang yang berbeda. Sistem Speech Recognition yang dapat mengenali seluruh kata dalam suatu bahasa melakukan pengenalan untuk setiap unit bunyi pembentuk ucapan (fonem). setiap sinyal dapat terlihat memiliki ciri-ciri yang unik. Pada domain frekuensi. selanjutnya mencoba mencari kemungkinan kombinasi hasil ucapan yang paling dapat diterima. diperlihatkan konfigurasi tipikal suatu system Pengenalan Ucapan. noise.Sistem Speech Recognition atau Sistem Pengenalan Ucapan adalah sistem yang berfungsi untuk mengubah bahasa lisan menjadi bahasa tulisan. kondisi emosi. Pada gambar 1. Namun demikian. Untuk setiap ucapan yang berbeda akan dihasilkan pola ciri yang berbeda. dan faktor-faktor lainnya. Sinyal ucapan (s(n)) pertama kali akan dilewatkan pada bagian Penganalisis Ucapan untuk mendapatlan besaran-besaran atau ciriciri yang mudah diolah pada tahap berikutnya.

Pada mode ini.2. Korpus yang dimaksud adalah berupa rekaman ucapan yang heterogen dalam volume yang sangat besar serta memenuhi kriteria teknis tertentu. Pada mode ini. Artinya. teknik-teknik atau algoritma yang digunakan pada sistem Pengenal Ucapan tidak bersifat sensitif terhadap bahasa. setiap kalimat yang ingin dikenali akan dianalisis polanya. Berdasarkan hasil perbandingan dengan template atau referensi. akan dihasilkan sistem Speech Recognition yang cenderung lebih handal. Untuk melatih sistem Pengenal Ucapan agar dapat digunakan untuk suatu bahasa yang baru. Semakin besar korpus yang digunakan untuk melatih sistem. paling tidak harus dilatih dengan ratusan rekaman pembicara. Kedua adalah mode produksi atau pengenalan ucapan.2 Sistem Text to Speech 9 . sistem yang sama dapat digunakan untuk bahasa apapun. maka diperlukan korpus untuk melatih sistem tersebut. Setiap contoh kata atau kalimat ajar tersebut akan menghasilkan pola tertentu yang akan dipelajari oleh sistem dan disimpan sebagai template atau referensi. Namun demikian. modul klasifikasi pola serta pengambil keputusan akan mengidentifikasikan kata atau kalimat yang diucapkan tersebut. 2. Pertama adalah mode belajar.Sistem Speech Recognition biasanya dapat dioperasikan pada dua mode yang berbeda. Pada prinsipnya. sistem akan dilatih menggunakan sejumlah kata atau kalimat yang memenuhi suatu kriteria tertentu. kemampuan sistem untuk mengenali ucapan pada bahasa tertentu sangat tergantung dari template atau referensi yang diperoleh melalui proses belajar di dalam sistemnya itu sendiri. Sistem yang handal.

Suatu sistem pensintesa ucapan atau Text to Speech pada prinsipnya terdiri dari dua sub sistem. Pada dasarnya TTS adalah suatu sistem yang dapat mengubah text menjadi ucapan. komponen-komponen pembentuk kedua sistem tersebut sama sekali berbeda. Pengucapan kata atau kalimat pada prinsipnya adalah urutan bunyi atau secara simbolik adalah urutan kode fonem. durasi serta pitch-nya. serta 2) bagian Konverter Fonem ke Ucapan (Phoneme to Speech). Kode-kode fonem adalah kode yang merepresentasikan unit bunyi yang ingin diucapkan. Bagian Konverter Teks ke Fonem berfungsi untuk mengolah kalimat masukan dalam suatu bahasa tertentu yang berbentuk teks menjadi urutan kode-kode bunyi yang direpresentasikan dengan kode fonem. Text to Speech atau TTS melakukan proses pendekatan implementasinya sama sekali berbeda.Secara fungsional. yaitu : 1) bagian Konverter Teks ke Fonem (Text to Phoneme). Artinya. 10 .

yaitu translator dari satu bahasa alami ke bahasa alami lainnya. Translator bahasa alami bukan hanya kamus yang menerjemahkan kata per kata. Kedua informasi ini dalam suatu sistem TTS biasanya dibangkitkan oleh modul pembangkit/model intonasi. beberapa TTS menggunakan penggabungan segmen bunyi yang berupa multi-phone. 2. Berdasarkan kode-kode tersebut.2. Sistem ini biasanya mempunyai masukan dan keluaram berupa bahasa tulisan (teks). Natural Language Translator. Ada beberapa alternatif teknik yang dapat digunakan untuk implementasi bagian konverter fonem ke ucapan. teknik kedua lebih banyak digunakan karena dapat menghasilkan ucapan dengan kualitas yang lebih alami. bagian ini akan menghasilkan bunyi atau sinyal ucapan yang sesuai dengan kalimat yang ingin diucapkan. Bagian Konverter Fonem ke Ucapan akan menerima masukan kode-kode fonem serta pitch dan durasi yang telah dihasilkan oleh bagian sebelumnya. Setiap bahasa memiliki aturan cara pembacaan dan cara pengucapan teks yang sangat spesifik. Beberapa diantara berbagai kategori aplikasi NLP adlah sebagai berikut : 1. Teknik diphone concatenation melakukan pembangkitan ucapan dengan cara menggabung-gabungkan segmen-segmen bunyi yang berupa diphone (dua fonem). serta diphone concatenation. tetapi harus juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuannya. sedangkan informasi pitch diperlukan untuk menentukan tinggi rendahnya nada pengucapan suatu fonem. Untuk mencapai kualitas yang lebih tinggi. Bahasa Indonesia ke Bahasa Jawa dan sebagainya. Dua teknik yang paling banyak digunakan adalah formant synthesizer. Informasi durasi diperlukan untuk menentukan berapa lama suatu fonem diucapkan. misalnya translator bahasa Inggris ke bahasa Indonesia. 11 . Saat ini. Durasi dan pitch bersama-sama akan membentuk intonasi suatu ucapan.3 Sistem Natural Language Processing Teknologi Natural Language Processing (NLP) atau Pemrosesan Bahasa Alami adalah teknologi yang memungkinkan untuk melakukan berbagai macam pemrosesan terhadap bahasa alami yang biasa digunakan oleh manusia.Setiap fonem harus dilengkapi dengan informasi durasi dan pitch. Hal ini menyebabkan implementasi unit konverter teks ke fonem menjadi sangat spesifik terhadap suatu bahasa (language dependent). NLP mempunyai aplikasi yang sangat luas.

Translator bahasa alami ke bahasa buatan. Contoh : • • • System otomatis pelayanan melalui telepon Control suara pada peralatan elektronik Aplikasi peningkatan kemampuan berbahasa 12 . Text based application Aplikasi yang melakukan pemrosesan terhadap teks tertulis. Contoh • • • • Mencari topic tertentu dari buku di perpustakaan Mencari isi dari suatu berita atau artikel Mencari isi dari email Menterjemahkan dokumen dari suatu bahasa ke bahasa lain 2. translator yang memungkinkan kita memberikan perintah bahasa alami kepada komputer. Text Summarization.2. pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari. untuk menghapus semua file. 2. yaitu translator yang mengubah perintah- perintah dalam bahasa alami menjadi bahasa buatan yang dapat dieksekusi oleh mesin atau komputer. pengguna cukup memberikan perintah ”komputer.3 Aplikasi Pengolahan Bahasa Alami 1. yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal yang penting dari suatu wacana yang diberikan. Sebagai contoh.*”. misalnya. Speech based application Aplikasi yang melakukan pemrosesan dari bahasa lisan atau pengenalan suara. yaitu “dir *. 3. Dengan sistem seperti ini. tolong hapus semua file !” Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh computer.

jika teks yang ingin dibacakan sudah tersedia di dalam komputer. Dengan alat bantu ini. yaitu bagian “pengenal karakter” yang menggunakan teknologi OCR (Optical Character Recognition). Berikut • Alat bantu membaca untuk tunanetra. khususnya untuk Bahasa Indonesia. Gambar 4. serta bagian TTS. Rangkaian huruf yang diidentifikasikan akan disusun membentuk suatu kata yang pada akhirnya akan diumpankan pada bagian TTS. 13 .Banyak manfaat yang dapat dicapai dari ketersediaan Aplikasi Teknologi Bahasa. Alat bantu membaca bagi tunanetra mempunyai masukan berupa teks tercetak (misalnya buku) dan mempunyai keluaran berupa ucapan dari teks tercetak yang diberikan. dengan teknologi Text to Speech dapat langsung diucapkan. Aplikasi Alat Bantu Baca • Alat bantu bicara untuk tunawicara. Alat bantu membaca bagi tunawicara mempunyai masukan posisi tangan yang dideteksi oleh suatu sensor dan unit identifikasi. orang tunanetra dapat membaca suatu buku atau dokumen. Bahkan. Pada prinsipnya ada dua komponen utamanya.

TTS dapat digunakan pada aplikasi telephony. seperti email. TTS juga memungkinkan diintegrasikan dengan berbagai program aplikasi. seperti sistem informasi billing atau sistem informasi lainnya yang diucapkan secara lisan. karena teknologi speech recognition sudah banyak dikembangkan. Aplikasi seperti ini mungkin untuk dikembangkan. speech recognition. Bagian pertama. aplikasi-aplikasi multimedia atau aplikasi-aplikasi lainnya. • Aplikasi Telephony. termasuk translator Bahasa Inggris ke Indonesia . Online translator terdiri dari 3 bagian. Bagian ketiga berupa sistem TTS dalam bahasa tujuan.• Online translator. TTS juga dapat 14 . Hasil bagian kedua ini adalah kalimat bahasa tujuan yang masih berupa teks. Talking email atau aplikasi lainnya. berfungsi untuk mengenali rangkaian kata dari bahasa sumber menjadi teks dalam bahasa sumber. Bagian berikutnya adalah translator teks ke teks. Online translator yang dimaksud disini adalah translator yang secara otomatis dapat menerjemahkan kalimat lisan dari suatu bahasa alami (misalnya Bahasa Inggris) menjadi ucapan hasil terjemahannya dalam bahasa alami lainnya (misalnya Bahasa Indonesia). web browser. Translator bahasa pun sudah banyak dikembangkan.

kalimat didalam mail box. mengikuti kaidah tata bahasa. jika email yang kita terima tidak sesuai dengan bahasa kita sehari-hari. seperti sedang mengendarai mobil. 15 .  World translator : suatu pengembangan dari word translator yang sudah ada. diharapkan dengan teknis ini hasil terjemahan bahasa akan menjadi lebih sempurna. seperti yang kita inginkan.  Email translator : alat yang akan menjawab masalah perbedaan bahasa. sehingga beberapa orang terdorong untuk mampu merubah sikap dan perilakunya. Terjemahan akan lebih cepat. Contoh aplikasi NLP lainnya :  Eliza yang dibelkali pengetahuan psikologi.digunakan untuk konversi dari SMS (Short Message System) ke ucapan sehingga pesan SMS dapat didengar. Email translator akan menterjemahkan kaimat. Web translator akan menterjemahkan  bahasa didalam semua link-link. page per page menjadi bahasa seperti yang kita inginkan. Speech Recognition memungkinkan pencarian informasi secara lisan. karena email translator mampu menterjemahkan bahasa.  Web translator : suatu mesin aplikasi berbasis World Wide Web yang dapat menterjemahkan bahasa dalam suatu web site.  Jupiter yang mampu memberikan informasi cuaca melalui telepon. Dengan demikian memungkinkan untuk mendengar pesan SMS sambil melakukan aktivitas yang menyulitkan untuk membacanya.  Alvin yang mampu menjawab pertanyaan mengenai DOS  SEXPERT yang dirancang untuk perbincangan mengenai pendidikan seksual. Dengan TTS tersebut. tapi perkalimatdengan melihat Subjek-PrediketObjek. akurat bukan lagi dengan system menterjemahkan per kata. memungkinkan pula untuk meneruskan pesan SMS ke system telepon biasa (PSTN).

Sintaksis : yaitu pemahaman tentang urutan kata dalam pembentukan kalimat dan hubungan antar kata tersebut dalam proses perubahan bentuk darikalimat menjadi bentuk yang sistematis. predikat Subjek  determinan. kataBenda Predikat  kataKerja. Morfologi : yaitu pengetahuan tentang kata dan bentuknya dimanfaaatkan untuk membedakan satu kata dengan lainnya.Dalam dunia kecerdasan buatan pengolahan bahasa alami merupakan aplikasi terbesar setelah sistem pakar. Bidang Pengetahuan Dalam Natural Language Secara singkat pengolahan bahasa alami (natural language processing) mengenal beberapa tingkat pengolahan yaitu : 1. 2. Bidang ini menjadi penting dalam proses aplikasi yang memakai metoda speech system. Fonetik dan Fonologi : berhubiungan dengan suara yang menghasilkan kata yang dapat dikenali. Sebagai contoh : Kalimat  subjek. Banyak para ahli Artificial Intelligence berpendapat bahwa bidang yang penting yang dapat dipecahkan oleh Artificial Intelligence adalah Natural Language Processing (Pengolahan Bahasa Alami). Selain itu dapat pula dikenali bagian-bagian kalimat dalam sutu kalimat yang lebih besar. kataBanda 16 . Pada tingkat ini juga dapat dipisahkan antara kata dan elemen lain seperti tanda baca. Meliputi proses pengaturan letak suatu kata dalam kalimat yangdapat dikenali. Sebagai contoh kata membangunkan : Bangun (kata dasar) Mem (prefix) Kan (suffix) 3. 3.

Selain yang sudah disebutkan diatas masih ada lagi satu masalah yang cukup menantang dalam natural language yaitu ambiguitas atau makna ganda dari suatu kata atau kalimat. Discourse knowledge : melakukan pengenalan apakah suatu kalimat yang telah dikenali mempengaruhi kalimat selanjutnya. 3. Dari satu masukan yang sama dapat menjadi beberapa arti yang berbeda dan masing-masing dapat bernilai benar tergantung pada keperluan pemakai. 5. Contoh: Ibu pergi ke pasar. World knowledge : mencakup arti sebuah kata secara umum dan apakah ada arti khusus bagi suatu kata dalam suatu percakapan dengan konteks tertentu. Pragmatik : pengetahuan pada tingkatan ini berkaitan dengan masing-masing konteks yang berbeda tergantung pada situasi dan tujuan pembuatan system. Semantik : mempelajari ari suatu kata dan bagaimana arti kata-arti kata tersebut membentuk suatu arti kata dari kalimat yang utuh. keterangan tempat atay aspek sementara dari informasi.4.1 Proses Sintaksis 17 . 7. Contoh : Ayah datang (diucapkan dengan nada datar) Ayah datar! (diucapkan dengan nada tinggi) Ayah datang ? (diucapkan dengan tempo cepat) 6. Contoh : Ayahku datang membawa buah tangan. Hal ini dapat terjadi pada hampir semua tingkatan pendekatan di atas. Ia membeli makanan disana. Penting untuk kata ganti orang.

symbol awal dan aturan penulisan atau (rules). symbol terminal. Makan.context Free Grammar (CFG) adalah representasi grammar dari chomsky hierarchi yang mudah dipahami dan diolah dalam bentuk program. Jika tidak ada tahap parsing sintaksis maka sistem semantic harus memutuskan atas pilihannya sendiri.Vt. Proses sintaksis sangat berperan dalam pemahaman bahasa alami dikarenakan :  Proses semantic harus beroperasi pada pilihan-pilihan kalimat. hal ini akan membatasi pilihanpilihan dari semantic  Tidak selalu dimungkinkan untuk mengekstrak arti kalimat tanpa menggunakan fakta gramatikal Semua system menggunakan :  Representasi deklaratif. Sebuah kalimat yang dapat dikenali bentuk dengan berdasarkan aturan-aturan yang ada yang biasa disebut grammar. Frasa_Benda. disebut parser. Jika parsing dilakukan.Proses sintaksis merupakan langkah dimana kalimat masukan secara flat diubah kedalam struktur hirarkis yang berhubungan dengan unit-unit arti dalam kalimat. fakta sintaksis tentang bahasa  Prosedur. dimana membandingkan grammar dengan kalimatkalimat masukan untuk membentuk struktur yang dianalisis. Sebuah grammar G dapat dibentuk dari 4 tuple yaitu : symbol non terminal. 3. disebut grammar.2 Gramatika Grammar suatu bahasa dapat dilihat sebagai suatu aturan yang menentukan apakah suatu kumpulan kata dapat diterima sebagai kalimat oleh bahasa tersebut. p) Sebagai contoh dapat dilihatdari grammar G sederhana berikut : DictJenis = {Kata_Benda. Ayam. Frasa_kerja. Defininya adalah : G = (Vn. Keterangan} DictKata = {Orang. telur. Kata_Kerja. s. Tinggi} Dengan aturan : S  Frasa_Benda Frasa_Kerja Frasa_Benda  Kata_Benda Kata_Benda Frasa_Kerja  Kata_Kerja Keterangan 18 . Terbang.

Sedangkan kalimat keempat malah sama sekali tidak mungkin tidak dapat dimengerti maknanya. selain hanya akan menimbulkan tanda Tanya bagi orang yang membaca. 19 . Ayam} Kata_Kerja  {Makan. ‘Sebuah kalimat terdiri atas kata benda (NP) diikuti kata kerja (VP)’. Seperti kalimat ketiga yang hanya benar apabila berada dalam konteks ‘orang memakai alat’ misalnya pesawat terbang.  I menyatakan “atau/or’. Telur. Dari grammar kita dapat mempelajari bahasa dari segi struktur dan bukan dari segi makna bahasa itu sendiri. Aturan pertama.  ε menyatakan string kosong Simbol-simbol yang diperluas oleh aturan-aturan disebut nonterminal symbols. sedangkan simbol-simbol yang berhubungan langsung dengan string yang ditemukan pada kalimat masukan disebut terminal symbols. Terbang} Keterangan  {Tinggi} Dari grammar G dapat dibentuk kalimat : Orang Makan Ayam Ayam Terbang Tinggi Orang Terbang Tinggi Ayam Makan Orang Semua kalimat tersebut apabila dicari pembentukannya melalui grammar G dapat dikatakan benar akan tetapi harus diingat bahwa kalimat dengan grammar yang benar hanya berarti benar secara structural bukan berarti selalu benar dalam makna.Kata_benda  {Orang.

Tipe 0 adalah bentuk yang paling bebas dan paling sulit dikenali. Akan tetapi karena bentuk context free dan regular grammar tersebut yang paling dipahami perilaku dan pengolahannya. Type 2 dari grammar yaitu context free grammar dinyatakan dengan aturan umum yaitu : <symbol1> → <symbol1>… <symbolk> dengan k ≥ 1 dan bagian kiri dari rule adalah single non terminal symbol. Secara umum dikatakan bahwa pemakaian context free grammar secara murni (tanpa tambahan metoda tertentu) adalah tidak cukup untuk pengolahan bahasa alami.3 Chomsky Hierarchy Of Generative Grammar Noam Chomsky menyusun grammar dalam urutan yang dia sebut tipe 0. 2 dan 3.4 Parsing Suatu proses menganalisa suatu kumpulan kata dengan memisahkan kata tsb dan menentukan struktur sintaksis dari tiap kata tsb. Gramatika yang dipakai juga sangat berkaitan dengan proses parsing apa yang digunakan.Gambar 1. biasa disebut recursively enumerable set. Grammar Untuk Bahasa Inggris 3. 3. tipe ini paling sederhana dan mudah dipahami sifatnya. maka beberapa cara telah dikembangkan untuk dapat melakukan pengolahan bahasa alami dengan bentuk grammar tersebut. untuk mengenali bentuk ini biasa dipakai Turing Machine. Bottom-Up Parsing gramatika yang 20 . 1. Grammar tipe 3 bernama finite state atau regular grammar. Berikutnya adalah tipe 1 yang disebut context sensitive grammar.

dipakai akan lebih banyak bercabang ke arah simbol non-terminal. Pohon Analisis Untuk Sebuah Kalimat 3. Cara sebaliknya diterapkan untuk Bottom Up parser yaitu mencari dari simbol-simbol terminal menuju ke arah pembentukan simbol awal s. Gambar 2. Dalam leksikon disimpan daftar kata yang dapat dikenali sebagai symbol terminal dalam grammar dan informasi yang diperlukan untuk tiap kata tersebut untuk proses parsing yang bersangkutan. Pendekatan dalam mengenali struktur suatu kalimat. Rule 2 : 21 . Top Down parser memulai pemeriksaan dari simbol awal s dan mencoba untuk mencari bentuk simbol terminal berikutnya yang sesuai dengan jenis kata dari kalimat masukan. Rule 1 : IF determiner adalah bagian pertama dalam kalimat dan diikuti oleh noun THEN noun tersebut dianggap sebagai subyek. Hal lain yang juga berkaitan erat dengan proses parsing adalah kamus atau leksikon yang digunakan.5 Semantik Semantic analyzer mempunyai himpunan rule dalam basis pengetahuan untuk menginterprestasikan sebuah kalimat. proses parsing dapat dibagi menjadi dua bagian besar yaitu Top Down parsing dan Bottom Up parsing.

Kalimat 'A plane flew home' mentrigger rule 1 yang mengidentifikasi plane sebagai subyek. Selain itu karena format dari kalimat sudah dibatasi pada bentuk tertentu (representasi data tabel) maka grammar ini dapat diandalkan terutama untuk bentuk . lalu rule 2 menjelaskan bahwa plan flew. Mendefinisikan semantic dan arti sebenarnya adalah proses yang sulit karena hal ini tergantung pada maksud dalam kalimat dan juga adanya kemungkinan arti lain dalam kalimat. obyek THEN subyek mengerjakan (verb) yang ada hubungannya dengan obyek. Semantic Grammar sebagai grammar utama dipilih dengan alasan dalam grammar ini sudah terkandung unsur semantic yang dapat membantu pembentukan semantic dari kalimat. Rule 3 dan 4 mengidentifikasikan home sebagai obyek.6 Semantic Grammar 22 . ver. Rule 3 : IF noun diikuti subyek dan verb THEN noun tersebut dianggap sebagai obyek Rule 4 : IF kalimat mempunyai bentuk subyek.bentuk tanya dan perintah. Apabila terdapat pada kalimat. Pada bagian ini akan diterangkan beberapa pendekatan semantic yang biasa dilakukan pada suatu Natural Language system. karena baru mendapat rejeki anak itu makan hati di restoran. Natural Language Processing dapat dipakai sebagai front (bagian depan) pada sistem AI. dimana data dilewatkan secara verbal.IF verb diikuti subyek THEN verb menjelaskan tentang apa yang dikerjakan oleh subyek. berarti yang kedua. Seperti misalnya ‘makan hati ‘dapat diartikan makan dengan lauk hati atau perasaan sedih yang ada pada hati seseorang. maka artinya adalah yang pertama tetapi jika pada kalimat. 3. dia makan hati karena ditinggal pergi pacarnya. Pendekatan yang dipakai adalah pendekatan Semantic Grammar yang dipadukan dengan Dictionary tambahan dan Template Grammar. tergantung pada letaknya dalam kalimat.

Dapat kita gambarkan bahwa pada : NP → DET CNP (the flight) FLIGHT-NP → DET FLIGHT-CNP CNP → N (flight) FLIGHT-CNP → FLIGHT-N diubah menjadi diubah menjadi Dengan demikian kita sudah melakukan pembatasan bahwa yang mungkin dibentuk untuk kata benda dari sistem adalah ‘the flight’ dan ‘flight’ tidak untuk yang lain. dipakai sekumpulan rule yang bukan hanya bersifat sintaksis tapi juga bersifat semantis dan pragmatis. Hasil dari proses parsing dengan menggunakan grammar tersebut adalah langsung berupa representasi semantis dari kalimat yang diolah.Pada Semantik Grammar. Secara lengkap maka grammar di atas tadi berubah menjadi : 23 . masih memungkinkan terjadi kesalahan karena luasnya jangkauan grammar seperti : the city to Chicago the 8 o’clock city Untuk itu maka dilakukan pembatasan dengan jalan memberikan kategori leksikal baru pada suatu kata yang berdasar pada keperluan semantis. Perlu diingat perubahan ini juga akan merubah kata yang lain misal ‘Chicago’ dari NP menjadi misalnya CITY-NAME. Dapat dilihat pada contoh dengan domainsistem jadwal penerbangan pesawat udara : the flight to Chicago the 8 o’clock flight flight 457 to Chicago Grammar untuk sistem ini pada umumnya dikenali sebagai : NP → DET CNP CNP → N CNP → CNP PP CNP → PRE-MOD CNP NP → N NUMB (the flight) (flight) (flight to Chicago) (8 o’clock flight) (flight 457) Tetapi perlu diingat bahwa grammar tersebut masih bersifat umum.

Garis berarah ini dapat diberi label (dalam bahasa Inggris) dengan 24 .FLIGHT-NP → DET FLIGHT-CNP FLIGHT-CNP → FLIGHT-N FLIGHT-CNP → FLIGHT-CNP FLIGHT-DEST FLIGHT-CNP → FLIGHT-CNP FLIGHT-SOURCE FLIGHT-CNP → FLIGHT-N FLIGHT-PART FLIGHT-CNP → FLIGHT-PRE-MOD FLIGHT-CNP FLIGHT-NP → FLIGHT-N NUMB CITY-NP → CITY-NAME CITY-NP → DET CITY-CNP CITY-CNP → CITY-N CITY-CNP → CITY-MOD CITY-CNP CITY-MOD-ARG Dari grammar dasar di atas dapat dibentuk grammar tambahan misalnya untuk pertanyaan TIME-QUERY → When does FLIGHT-CNP (When does flight to Chicago) Dengan pendekatan ini. 3. Seperti pada contoh di atas kita harus memisahkan antara NP untuk ‘flight’ dan ‘Chicago’ menjadi FLIGHT-NP dan CITY-NAME. interpretasi dari rule yang bersangkutan menjadi lebih mudah karena sebagian besar dari informasi semantic yang diperlukan dapat dilihat dari rule yang digunakan. Kekurangan dari pendekatan ini adalah domainsistem yang tidak begitu besar. Selain itu terjadi pembengkakan jumlah rule yang diperlukan. ATN (seperti pada gambar 3) menyerupai finite-state machine dimana klas label digabungkan pada garis berarah yang mendefinisikan transisi antara suatu keadaan. dimana domain yang baru akan memerlukan aturan yang baru yang sesuai. hal ini karena dengan langsung mengacu ke semantik maka banyak generalisasi linguistik yang harus diperinci lebih jauh.7 Automated Transition Networks (ATN) Automated Transition Network (ATN) merupakan prosedur top-down parsing dimana bermacam-macam pengetahuan digabungkan ke sistem analisis sehingga dapat beroperasi lebih efisien.

seperti ‘noun’ Didorong ke jaringan lain untuk mengenali komponen lain pada suatu kalimat. seperti ‘in’ Kategori-kategori kata. : Sebuah Jaringan ATN untuk Fragmen Bahasa Inggris Cara kerja ATN pada kalimat: ‘The long file has printed’ 1. Mulai pada keadaan S Masuk ke NP Kerjakan tes kategori untuk melihat jika ‘the’ merupakan determiner Tes sukses. maka register DETERMINER diset ke DEFINITE lalu ke keadaan Q6 25 4.- Kata-kata spesifik. 3. seperti jaringan untuk mengenali prepositional phrase (PP) maka pada garis berarah ditanyakan noun phrase (NP) - Prosedur yang menjalankan tes pada input saat itu dan pada komponen kalimat yang telah diidentifikan - Prosedur-prosedur yang membangun struktur yang akan membentuk bagian akhir dari analisis Gambar 3. 2. .

Kerjakan tes kategori untuk melihat jika ‘has’ merupakan verb. 9. 8. 17. maka register ADJS ditambahkan ‘long’. Pilihan terakhir terdapat pada Q1. Karena input telah habis. Kerjakan tes kategori untuk melihat jika ‘long’ merupakan adjective Tes sukses. sehingga keluar 11. Lalu diperlukan backtracking. Masuk ke keadaan NP. 7. sehingga kembali ke Q1. Lanjut ke Q4. Tes sukses sehingga ‘has’ diset ke register AUX dan lalu ke Q3. Tes sukses. dengan register SUBJ diset ke struktur yang dikembalikan dan register TYPE diset ke DCL 12. maka Q4 merupakan keadaan terakhir. Tes sukses. Lanjut Q4 13. Register AUX dan V tidak diset 15. 6. dikarenakan kata ‘printed’ bukan determiner ataupun noun murni. Lalu keluar dan kembali ke struktur (S DCL (NP(FILE(LONG)DEFINITE)) HAS (VP PRINTED)) Struktur ini merupakan output dari analisis 26 . Tes gagal Kerjakan tes kategori untuk melihat jika ‘file’ merupakan noun. Tes gagal. lalu keluar dan kembali ke struktur (NP(FILE(LONG)DEFINITE)).5. Masuk ke PP Kerjakan tes kategori untuk melihat ‘has’ merupakan preposition. Kerjakan tes kategori untuk melihat jika ‘printed’ merupakan verb. Kerjakan tes kategori untuk melihat jika ‘has’ merupakan auxiliary. Masih tersisa input. Tes sukses. berarti analisis belum selesai. 10. sehingga register AUX diset ke NIL dan register V diset ke ‘has’. sehingga kembali ke keadaan Q1. maka NP dikeluarkan 14. maka register V diset ke ‘printed’. Tidak ada lagi yang dikerjakan di Q7. 18. Tetap tinggal di Q6 Kerjakan tes kategori untuk melihat jika ‘file’ merupakan adjective. 16. register NOUN diset ke ‘file’ dan lalu ke keadaan Q7.

Bab III PENUTUP 1. Output Translator Kategori Aplikasi Pengolahan Bahasa Alami yaitu: 27 . Parser b. Kesimpulan “Natual Language Processing (NLP) atau Pengolahan Bahasa Alami (PBA) merupakan salah satu bidang ilmu kecerdasan buatan (Artificial Intelligence) yang mempelajari komunikasi antara manusia dengan komputer”. Pengolahan bahasa alami terdiri dari tiga bagian utama yaitu: a. Sandi Setiawan [1993:3]. System Representasi Pengetahuan c.

Discourse knowledge 7. Fonetik dan Fonologi 2. World knowledge 2. translator yang memungkinkan kita memberikan perintah bahasa alami kepada komputer. Translator bahasa alami ke bahasa buatan. Morfologi 3. misalnya.1.*”. Daftar Pustaka 28 . tolong hapus semua file !” Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh computer. pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari. yaitu “dir *. 3. Sintaksis 4. Speech based application Bidang Pengetahuan Dalam Bahasa Alami yaitu: 1. yaitu translator yang mengubah perintah-perintah dalam bahasa alami menjadi bahasa buatan yang dapat dieksekusi oleh mesin atau komputer. Sebagai contoh. Semantik 5. Dengan sistem seperti ini. Natural Language Translator 2. pengguna cukup memberikan perintah ”komputer. Text Summarization. untuk menghapus semua file. Aplikasi Pengolahan Bahasa Alami yaitu: 1. Text based application 2. yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal yang penting dari suatu wacana yang diberikan. Pragmatik 6.

id/focus/focus_file/Pidato%20Ilmiah%20pada %20Sidang%20Terbuka%20PMB%202004.edu/~kangedi/materi%20kuliah/Kecerdasan%20Buatan/Bab %205%20Natural%20Language%20Processing.pdf .eepis-its. http://mtg.upf.1.ac. 29 . http://cobian.itb. http://lecturer.pdf 3.pdf 2.lib.edu/files/publications/9d0455-ACM-MM-2005-JPGMahedero-PCanoAMartinez.

Sign up to vote on this title
UsefulNot useful