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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Dari satu masukan yang sama dapat menjadi beberapa arti yang berbeda dan masing-masing dapat bernilai benar tergantung pada keperluan pemakai. 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. 3. Ia membeli makanan disana. 7. 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. keterangan tempat atay aspek sementara dari informasi. 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. Hal ini dapat terjadi pada hampir semua tingkatan pendekatan di atas. Contoh : Ayahku datang membawa buah tangan. Penting untuk kata ganti orang. Discourse knowledge : melakukan pengenalan apakah suatu kalimat yang telah dikenali mempengaruhi kalimat selanjutnya. Contoh : Ayah datang (diucapkan dengan nada datar) Ayah datar! (diucapkan dengan nada tinggi) Ayah datang ? (diucapkan dengan tempo cepat) 6.1 Proses Sintaksis 17 .4. 5.

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

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

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

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

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

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.Pada Semantik Grammar. 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. dipakai sekumpulan rule yang bukan hanya bersifat sintaksis tapi juga bersifat semantis dan pragmatis. 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. Secara lengkap maka grammar di atas tadi berubah menjadi : 23 .

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful