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. Penulis menyadari akan kekurangan dan ketidak-sempurnaan dalam penulisan ini. Demikianlah tugas ini kami susun semoga bermanfaat untuk kita semua. karenanya kritik dan saran yang membangun sangat kami butuhkan untuk kemajuan kita bersama. 29 Maret 2011 Penulis Bab I PENDAHULUAN 1. Jakarta. Yang didalamnya membahas secara menyeluruh tentang Natural Language Processing. Serta rekanrekan yang memeberikan masukkan dan motivasinya kepada kelompok kami. Makalah ini merupakan tugas mata kuliah Kecerdasan Buatan dengan materi “Natural Language Processing” atau Pemrosesan Bahasa Alami. Dalam sejarah peradaban 3 . Makalah ini dibuat untuk memenuhi tugas kelompok pada mata kuliah Kecerdasan Buatan.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.

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

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

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

Berbeda dengan kebanyakan sistem lain yang bersifat generik. c. 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. 2.2 Sistem Pemrosesan Bahasa Alami Suatu sistem pemrosesan bahasa alami secara lisan dapat dibentuk dari tiga subsistem.1 Sistem Speech Recognition 7 . Suatu sistem atau teknik yang berlaku untuk suatu bahasa tidak mudah diterapkan untuk bahasa lainnya. teknik-teknik yang digunakan dalam pemrosesan bahasa alami bersifat sangat ‘language dependent’. kata sifat dll) b. sistem pemeriksa sintaks bahasa. 1) Sub-Sistem Natural Language Processing (NLP). 2) Sub-sistem Text to Speech (TTS). yaitu sebagai berikut.Pengolahan bahasa alami terdiri dari tiga bagian utama yaitu: a. sistem yang dapat ”menyimpulkan” suatu narasi. 3) Sub-Sistem Speech Recognition (SR). berfungsi untuk mengubah text (bahasa tulisan) menjadi ucapan (bahasa lisan). merupakan kebalikan teknologi Text to Speech. 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. yaitu sistem yang berfungsi untuk mengubah atau mengenali suatu ucapan (bahasa lisan) menjadi text (bahasa tulisan). 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. 2.

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

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

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

Informasi durasi diperlukan untuk menentukan berapa lama suatu fonem diucapkan. sedangkan informasi pitch diperlukan untuk menentukan tinggi rendahnya nada pengucapan suatu fonem. NLP mempunyai aplikasi yang sangat luas. Translator bahasa alami bukan hanya kamus yang menerjemahkan kata per kata. teknik kedua lebih banyak digunakan karena dapat menghasilkan ucapan dengan kualitas yang lebih alami. misalnya translator bahasa Inggris ke bahasa Indonesia. Bagian Konverter Fonem ke Ucapan akan menerima masukan kode-kode fonem serta pitch dan durasi yang telah dihasilkan oleh bagian sebelumnya. bagian ini akan menghasilkan bunyi atau sinyal ucapan yang sesuai dengan kalimat yang ingin diucapkan. Untuk mencapai kualitas yang lebih tinggi. Sistem ini biasanya mempunyai masukan dan keluaram berupa bahasa tulisan (teks). Natural Language Translator. Bahasa Indonesia ke Bahasa Jawa dan sebagainya. Ada beberapa alternatif teknik yang dapat digunakan untuk implementasi bagian konverter fonem ke ucapan. Dua teknik yang paling banyak digunakan adalah formant synthesizer. beberapa TTS menggunakan penggabungan segmen bunyi yang berupa multi-phone. Setiap bahasa memiliki aturan cara pembacaan dan cara pengucapan teks yang sangat spesifik. Berdasarkan kode-kode tersebut. 11 .Setiap fonem harus dilengkapi dengan informasi durasi dan pitch. Teknik diphone concatenation melakukan pembangkitan ucapan dengan cara menggabung-gabungkan segmen-segmen bunyi yang berupa diphone (dua fonem).2. Hal ini menyebabkan implementasi unit konverter teks ke fonem menjadi sangat spesifik terhadap suatu bahasa (language dependent). tetapi harus juga mentranslasikan sintaks dari bahasa asal ke bahasa tujuannya. yaitu translator dari satu bahasa alami ke bahasa alami lainnya. serta diphone concatenation. Durasi dan pitch bersama-sama akan membentuk intonasi suatu ucapan. Saat ini. 2. Beberapa diantara berbagai kategori aplikasi NLP adlah sebagai berikut : 1.3 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.

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

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

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

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

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

4. Pragmatik : pengetahuan pada tingkatan ini berkaitan dengan masing-masing konteks yang berbeda tergantung pada situasi dan tujuan pembuatan system. 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. Contoh: Ibu pergi ke pasar. Penting untuk kata ganti orang. keterangan tempat atay aspek sementara dari informasi. Hal ini dapat terjadi pada hampir semua tingkatan pendekatan di atas. Contoh : Ayahku datang membawa buah tangan. Ia membeli makanan disana. 3.1 Proses Sintaksis 17 . 7. Dari satu masukan yang sama dapat menjadi beberapa arti yang berbeda dan masing-masing dapat bernilai benar tergantung pada keperluan pemakai. 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. 5. Contoh : Ayah datang (diucapkan dengan nada datar) Ayah datar! (diucapkan dengan nada tinggi) Ayah datang ? (diucapkan dengan tempo cepat) 6. Discourse knowledge : melakukan pengenalan apakah suatu kalimat yang telah dikenali mempengaruhi kalimat selanjutnya.

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

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

3. 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. Gramatika yang dipakai juga sangat berkaitan dengan proses parsing apa yang digunakan. tipe ini paling sederhana dan mudah dipahami sifatnya. Grammar Untuk Bahasa Inggris 3. 2 dan 3.4 Parsing Suatu proses menganalisa suatu kumpulan kata dengan memisahkan kata tsb dan menentukan struktur sintaksis dari tiap kata tsb. 1. untuk mengenali bentuk ini biasa dipakai Turing Machine. 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. Bottom-Up Parsing gramatika yang 20 . Grammar tipe 3 bernama finite state atau regular grammar. maka beberapa cara telah dikembangkan untuk dapat melakukan pengolahan bahasa alami dengan bentuk grammar tersebut. Berikutnya adalah tipe 1 yang disebut context sensitive grammar.Gambar 1. Tipe 0 adalah bentuk yang paling bebas dan paling sulit dikenali.3 Chomsky Hierarchy Of Generative Grammar Noam Chomsky menyusun grammar dalam urutan yang dia sebut tipe 0. biasa disebut recursively enumerable set.

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

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

Pada Semantik Grammar. 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. 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 . Hasil dari proses parsing dengan menggunakan grammar tersebut adalah langsung berupa representasi semantis dari kalimat yang diolah. dipakai sekumpulan rule yang bukan hanya bersifat sintaksis tapi juga bersifat semantis dan pragmatis. 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. Perlu diingat perubahan ini juga akan merubah kata yang lain misal ‘Chicago’ dari NP menjadi misalnya CITY-NAME.

Kekurangan dari pendekatan ini adalah domainsistem yang tidak begitu besar.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. Selain itu terjadi pembengkakan jumlah rule yang diperlukan. 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. Garis berarah ini dapat diberi label (dalam bahasa Inggris) dengan 24 . 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. hal ini karena dengan langsung mengacu ke semantik maka banyak generalisasi linguistik yang harus diperinci lebih jauh.

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

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

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

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

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