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

Penulis menyadari akan kekurangan dan ketidak-sempurnaan dalam penulisan ini. Yang didalamnya membahas secara menyeluruh tentang Natural Language Processing.1 Latar Belakang Teknologi berkembang semakin cepat dari waktu ke waktu karena penemuan satu teknologi baru dapat mempercepat penemuan teknologi berikutnya. Terima kasih kami sampaikan kepada Bapak Victor Amrizal selaku dosen mata kuliah Kecerdasan Buatan yang telah memberikan kuliah demi lancarnya tugas ini. karenanya kritik dan saran yang membangun sangat kami butuhkan untuk kemajuan kita bersama. Demikianlah tugas ini kami susun semoga bermanfaat untuk kita semua. Jakarta. 29 Maret 2011 Penulis Bab I PENDAHULUAN 1. Makalah ini merupakan tugas mata kuliah Kecerdasan Buatan dengan materi “Natural Language Processing” atau Pemrosesan Bahasa Alami.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 dibuat untuk memenuhi tugas kelompok pada mata kuliah Kecerdasan Buatan. Serta rekanrekan yang memeberikan masukkan dan motivasinya kepada kelompok kami. Dalam sejarah peradaban 3 .

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

pemrosesan bahasa alami secara lisan. Untuk itulah penulis mencoba mengangkat tema Natural Language Processing dalam makalah ini. Salah satunya adalah bagaimana membuat komputer memahami perintah yang diberikan pengguna dalam bahasa sehari-hari (natural language). Bab II ISI 1. bagaimana kata-kata bergabung menjadi satu kalimat dan konteks kata dalam kalimat. Sandi Setiawan [1993:3]. dan merespon perintah tersebut dalam bahasa sehari-hari. Dewasa ini aplikasi konsep AI terus berkembang. 5 . 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”. baik dari segi kata. terjadinya interaksi antara manusia dan komputer dengan perantara bahasa alami yang dipakai oleh manusia. NLP memodelkan pengetahuan terhadap bahasa. Bagian berikutnya dari tulisan ini akan difokuskan pada pembahasan teknologi yang berkaitan dengan pemrosesan bahasa alami tersebut.

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

Pengolahan bahasa alami terdiri dari tiga bagian utama yaitu: a. teknik-teknik yang digunakan dalam pemrosesan bahasa alami bersifat sangat ‘language dependent’. 2) Sub-sistem Text to Speech (TTS). System Representasi Pengetahuan Suatu system yang menganalisis output parser untuk menentukan maknanya. merupakan kebalikan teknologi Text to Speech. Suatu sistem atau teknik yang berlaku untuk suatu bahasa tidak mudah diterapkan untuk bahasa lainnya. berfungsi untuk melakukan pemrosesan secara simbolik terhadap bahasa tulisan. Beberapa bentuk aplikasi sub sistem ini adalah translator bahasa alami (misalnya dari Bahasa Inggris ke Bahasa Indonesia). dan sebagainya. kata sifat dll) b. sistem pemeriksa sintaks bahasa. 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. 2. berfungsi untuk mengubah text (bahasa tulisan) menjadi ucapan (bahasa lisan). sistem yang dapat ”menyimpulkan” suatu narasi. Parser Yaitu suatu system yang mengambil kalimat input dan menguraikannya kedalam beberapa bagian gramatika (kata benda kerja. 2.1 Sistem Speech Recognition 7 . yaitu sistem yang berfungsi untuk mengubah atau mengenali suatu ucapan (bahasa lisan) menjadi text (bahasa tulisan). Berbeda dengan kebanyakan sistem lain yang bersifat generik. 3) Sub-Sistem Speech Recognition (SR). c. 1) Sub-Sistem Natural Language Processing (NLP).2 Sistem Pemrosesan Bahasa Alami Suatu sistem pemrosesan bahasa alami secara lisan dapat dibentuk dari tiga subsistem. yaitu sebagai berikut.2.

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

Pada prinsipnya. teknik-teknik atau algoritma yang digunakan pada sistem Pengenal Ucapan tidak bersifat sensitif terhadap bahasa. kemampuan sistem untuk mengenali ucapan pada bahasa tertentu sangat tergantung dari template atau referensi yang diperoleh melalui proses belajar di dalam sistemnya itu sendiri. Berdasarkan hasil perbandingan dengan template atau referensi.Sistem Speech Recognition biasanya dapat dioperasikan pada dua mode yang berbeda. Korpus yang dimaksud adalah berupa rekaman ucapan yang heterogen dalam volume yang sangat besar serta memenuhi kriteria teknis tertentu. Sistem yang handal. Artinya. 2.2. Kedua adalah mode produksi atau pengenalan ucapan. Namun demikian. maka diperlukan korpus untuk melatih sistem tersebut. paling tidak harus dilatih dengan ratusan rekaman pembicara. Pada mode ini. setiap kalimat yang ingin dikenali akan dianalisis polanya. sistem yang sama dapat digunakan untuk bahasa apapun. Semakin besar korpus yang digunakan untuk melatih sistem. sistem akan dilatih menggunakan sejumlah kata atau kalimat yang memenuhi suatu kriteria tertentu. Setiap contoh kata atau kalimat ajar tersebut akan menghasilkan pola tertentu yang akan dipelajari oleh sistem dan disimpan sebagai template atau referensi. Pada mode ini. modul klasifikasi pola serta pengambil keputusan akan mengidentifikasikan kata atau kalimat yang diucapkan tersebut. Pertama adalah mode belajar.2 Sistem Text to Speech 9 . akan dihasilkan sistem Speech Recognition yang cenderung lebih handal. Untuk melatih sistem Pengenal Ucapan agar dapat digunakan untuk suatu bahasa yang baru.

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

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

Contoh : • • • System otomatis pelayanan melalui telepon Control suara pada peralatan elektronik Aplikasi peningkatan kemampuan berbahasa 12 . pengguna cukup memberikan perintah ”komputer. Text Summarization. Dengan sistem seperti ini. pengguna sistem dapat memberikan perintah dengan bahasa sehari-hari.2. 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. 3. yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal yang penting dari suatu wacana yang diberikan. translator yang memungkinkan kita memberikan perintah bahasa alami kepada komputer. tolong hapus semua file !” Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah bahasa formal yang dipahami oleh computer.*”. yaitu “dir *. Sebagai contoh. Speech based application Aplikasi yang melakukan pemrosesan dari bahasa lisan atau pengenalan suara. yaitu translator yang mengubah perintah- perintah dalam bahasa alami menjadi bahasa buatan yang dapat dieksekusi oleh mesin atau komputer. 2.3 Aplikasi Pengolahan Bahasa Alami 1. untuk menghapus semua file. misalnya. Translator bahasa alami ke bahasa buatan.

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

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

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

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

Discourse knowledge : melakukan pengenalan apakah suatu kalimat yang telah dikenali mempengaruhi kalimat selanjutnya. Contoh : Ayahku datang membawa buah tangan. Contoh : Ayah datang (diucapkan dengan nada datar) Ayah datar! (diucapkan dengan nada tinggi) Ayah datang ? (diucapkan dengan tempo cepat) 6.1 Proses Sintaksis 17 . Hal ini dapat terjadi pada hampir semua tingkatan pendekatan di atas. keterangan tempat atay aspek sementara dari informasi. Dari satu masukan yang sama dapat menjadi beberapa arti yang berbeda dan masing-masing dapat bernilai benar tergantung pada keperluan pemakai. Contoh: Ibu pergi ke pasar. 3. Ia membeli makanan disana. Pragmatik : pengetahuan pada tingkatan ini berkaitan dengan masing-masing konteks yang berbeda tergantung pada situasi dan tujuan pembuatan system. 5. Penting untuk kata ganti orang. 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. Semantik : mempelajari ari suatu kata dan bagaimana arti kata-arti kata tersebut membentuk suatu arti kata dari kalimat yang utuh. World knowledge : mencakup arti sebuah kata secara umum dan apakah ada arti khusus bagi suatu kata dalam suatu percakapan dengan konteks tertentu. 7.4.

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

Telur. 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.  I menyatakan “atau/or’.  ε menyatakan string kosong Simbol-simbol yang diperluas oleh aturan-aturan disebut nonterminal symbols. Dari grammar kita dapat mempelajari bahasa dari segi struktur dan bukan dari segi makna bahasa itu sendiri.Kata_benda  {Orang. ‘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. Ayam} Kata_Kerja  {Makan. Sedangkan kalimat keempat malah sama sekali tidak mungkin tidak dapat dimengerti maknanya. selain hanya akan menimbulkan tanda Tanya bagi orang yang membaca. sedangkan simbol-simbol yang berhubungan langsung dengan string yang ditemukan pada kalimat masukan disebut terminal symbols. 19 . Aturan pertama.

biasa disebut recursively enumerable set. 3. Bottom-Up Parsing gramatika yang 20 .3 Chomsky Hierarchy Of Generative Grammar Noam Chomsky menyusun grammar dalam urutan yang dia sebut tipe 0. Akan tetapi karena bentuk context free dan regular grammar tersebut yang paling dipahami perilaku dan pengolahannya. tipe ini paling sederhana dan mudah dipahami sifatnya. Tipe 0 adalah bentuk yang paling bebas dan paling sulit dikenali. untuk mengenali bentuk ini biasa dipakai Turing Machine.4 Parsing Suatu proses menganalisa suatu kumpulan kata dengan memisahkan kata tsb dan menentukan struktur sintaksis dari tiap kata tsb. maka beberapa cara telah dikembangkan untuk dapat melakukan pengolahan bahasa alami dengan bentuk grammar tersebut. Berikutnya adalah tipe 1 yang disebut context sensitive grammar. Gramatika yang dipakai juga sangat berkaitan dengan proses parsing apa yang digunakan. Secara umum dikatakan bahwa pemakaian context free grammar secara murni (tanpa tambahan metoda tertentu) adalah tidak cukup untuk pengolahan bahasa alami. 1.Gambar 1. Grammar Untuk Bahasa Inggris 3. Grammar tipe 3 bernama finite state atau regular grammar. 2 dan 3. 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.

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. Gambar 2.dipakai akan lebih banyak bercabang ke arah simbol non-terminal. Pohon Analisis Untuk Sebuah Kalimat 3.5 Semantik Semantic analyzer mempunyai himpunan rule dalam basis pengetahuan untuk menginterprestasikan sebuah kalimat. Rule 2 : 21 . Cara sebaliknya diterapkan untuk Bottom Up parser yaitu mencari dari simbol-simbol terminal menuju ke arah pembentukan simbol awal s. 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. Pendekatan dalam mengenali struktur suatu kalimat. proses parsing dapat dibagi menjadi dua bagian besar yaitu Top Down parsing dan Bottom Up parsing. 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.

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

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. dipakai sekumpulan rule yang bukan hanya bersifat sintaksis tapi juga bersifat semantis dan pragmatis. Secara lengkap maka grammar di atas tadi berubah menjadi : 23 . 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. Hasil dari proses parsing dengan menggunakan grammar tersebut adalah langsung berupa representasi semantis dari kalimat yang diolah. 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.Pada Semantik Grammar.

Kekurangan dari pendekatan ini adalah domainsistem yang tidak begitu besar. Selain itu terjadi pembengkakan jumlah rule yang diperlukan. interpretasi dari rule yang bersangkutan menjadi lebih mudah karena sebagian besar dari informasi semantic yang diperlukan dapat dilihat dari rule yang digunakan. Seperti pada contoh di atas kita harus memisahkan antara NP untuk ‘flight’ dan ‘Chicago’ menjadi FLIGHT-NP dan CITY-NAME.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. 3.7 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. Garis berarah ini dapat diberi label (dalam bahasa Inggris) dengan 24 . 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. ATN (seperti pada gambar 3) menyerupai finite-state machine dimana klas label digabungkan pada garis berarah yang mendefinisikan transisi antara suatu keadaan.

2. seperti ‘noun’ Didorong ke jaringan lain untuk mengenali komponen lain pada suatu kalimat. : Sebuah Jaringan ATN untuk Fragmen Bahasa Inggris Cara kerja ATN pada kalimat: ‘The long file has printed’ 1. . 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. seperti ‘in’ Kategori-kategori kata. maka register DETERMINER diset ke DEFINITE lalu ke keadaan Q6 25 4.- Kata-kata spesifik. 3. Mulai pada keadaan S Masuk ke NP Kerjakan tes kategori untuk melihat jika ‘the’ merupakan determiner Tes sukses.

maka register ADJS ditambahkan ‘long’. Tes sukses. Masuk ke PP Kerjakan tes kategori untuk melihat ‘has’ merupakan preposition. Lanjut ke Q4. Masih tersisa input. 6. dengan register SUBJ diset ke struktur yang dikembalikan dan register TYPE diset ke DCL 12. Lalu keluar dan kembali ke struktur (S DCL (NP(FILE(LONG)DEFINITE)) HAS (VP PRINTED)) Struktur ini merupakan output dari analisis 26 . Lanjut Q4 13. 16. Register AUX dan V tidak diset 15. 10. Karena input telah habis. 8. Tes gagal Kerjakan tes kategori untuk melihat jika ‘file’ merupakan noun. Tes gagal. sehingga keluar 11.5. maka NP dikeluarkan 14. 7. Tes sukses. Tes sukses. Pilihan terakhir terdapat pada Q1. 18. sehingga register AUX diset ke NIL dan register V diset ke ‘has’. 17. sehingga kembali ke keadaan Q1. Masuk ke keadaan NP. Kerjakan tes kategori untuk melihat jika ‘has’ merupakan verb. lalu keluar dan kembali ke struktur (NP(FILE(LONG)DEFINITE)). maka Q4 merupakan keadaan terakhir. dikarenakan kata ‘printed’ bukan determiner ataupun noun murni. Kerjakan tes kategori untuk melihat jika ‘printed’ merupakan verb. Kerjakan tes kategori untuk melihat jika ‘long’ merupakan adjective Tes sukses. Kerjakan tes kategori untuk melihat jika ‘has’ merupakan auxiliary. sehingga kembali ke Q1. register NOUN diset ke ‘file’ dan lalu ke keadaan Q7. Lalu diperlukan backtracking. berarti analisis belum selesai. maka register V diset ke ‘printed’. Tetap tinggal di Q6 Kerjakan tes kategori untuk melihat jika ‘file’ merupakan adjective. Tidak ada lagi yang dikerjakan di Q7. Tes sukses sehingga ‘has’ diset ke register AUX dan lalu ke Q3. 9.

System Representasi Pengetahuan c. Sandi Setiawan [1993:3]. 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”. Output Translator Kategori Aplikasi Pengolahan Bahasa Alami yaitu: 27 . Parser b. Pengolahan bahasa alami terdiri dari tiga bagian utama yaitu: a.Bab III PENUTUP 1.

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

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

Sign up to vote on this title
UsefulNot useful