5 SIMPULAN DAN SARAN
5.2 Saran
Beberapa topik yang dapat diteliti selanjutnya antara lain:
1 melengkapi konstruksi word graph frasa keterangan untuk tiga kata atau lebih dengan menggunakan metode knowledge graph,
2 membuat aturan penggabungan frasa menggunakan metode knowledge graph, 3 membakukan aturan pengujian pembentukan word graph.
DAFTAR PUSTAKA
Alwi H, Dardjowidjojo S, Lapoliwa H dan Moeliono A. 2003. Tata Bahasa Baku Bahasa Indonesia. Ed ke-3. Jakarta: Pusat Bahasa dan Balai Pustaka.
Anggraeni W. 2009. Analisis Pembentukan Word Graph Preposisi Bahasa Indonesia dengan Menggunakan Metode Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Arman AA. 2004. Teknologi Pemrosesan Bahasa Alami sebagai Teknologi Kunci untuk Meningkatkan Cara Berinteraksi Antara Manusia dan Mesin, Orasi Ilmiah Departemen Teknik Elektro, Fakultas Teknik Industri, ITB.
Artdiyasa N. 2010a. Minyak Ikan Antiradang. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/info-sehat/minyak-ikan- antiradang.html [1 Mei 2010].
Artdiyasa N. 2010b. Patent Belang Paling Paten. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Topik/patent-belang- paling-paten.html [1 Mei 2010].
Artdiyasa N. 2010c. Pohon Dewa dari Benua Hitam. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/obat-tradisional/pohon- dewa-dari-benua-hitam.html [1 November 2010].
Chaer A. 2006. Tata Bahasa Praktis Bahasa Indonesia. Jakarta: Renika Cipta. Chaidir A. 2009a. Kembalikan Kolesterol ke Titik Normal. Trubus online.
[majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/ kembalikan-kolesterol-ke-titik-normal.html [1 Desember 2009].
Chaidir A. 2009b. Penyubur dari Dapur. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/penyubur-dari-
dapur.html [1 Desember 2009].
[Depdiknas] Departemen Pendidikan Nasional, Pusat Bahasa. 2008. Kamus Besar Bahasa Indonesia. Ed Ke-4. Jakarta: Pusat Bahasa.
Duryatmo S. 2009. Mengkudu: Fakta Ilmiah & Empiris. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Topik/mengkudu -fakta- ilmiah-a-empiris.html [1 September 2009]
Duryatmo S. 2010. Teringat Petuah Hipokrates. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/teringat- petuah-hipokrates.html [3 November 2010].
Finoza L. 2009. Komposisi Bahasa Indonesia untuk Mahasiswa Nonjurusan Bahasa. Jakarta: Diksi Insan Mulia.
Hoede C. 2003. Basic Notions in Mathematics: On The Graph in Particular and on Ontology in General. Memorandum No. 1682, Department of Applied Mathematics, University of Twente, The Netherlands, ISSN 01692690.
Hoede C, Nurdiati S. 2008. A Graph Theorical Analysis of Certain Aspects of Bahasa Indonesia. Memorandum No. 18770, Department of Applied Mathematics, University of Twente, The Netherlands, ISSN 18744850.
Hulliyah K. 2007. Rekayasa Memahami Teks Menggunakan Teori Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Keraf G. 1989. Tata Bahasa Bahasa Indonesia untuk Sekolah Menengah Atas. Jakarta: Nusa Indah.
Keraf G. 1991. Tata Bahasa Rujukan Bahasa Indonesia untuk Tingkat Pendidikan Menengah. Jakarta: Grasindo.
Mahmuda. 2010. Konstruksi Pola Word Graph Frasa Kata Menggunakan Metode Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Muslik A. 2009. Analisis Pembentukan Word Graph Kata Kerja Menggunakan Metode Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Nurdiati S, Hoede C. 2009. Word Graph Construction of Certain Aspects of Indonesian Language, Supplementary Proceeding of the 17th International Conference on Conceptual Structures. Moscow, Rusia.
Raharjo AA. 2010a. Mimba Atasi Pendarahan Otak. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/ mimba- atasi-pendarahan-otak.html [6 Agustus 2010].
Raharjo AA. 2010b. Sarapan? Harus Itu!. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/sarapan-harus-itu.html [2 Juli 2010].
Raharjo AA. 2010c. Jamur untuk Jantung. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/jamur-untuk-jantung. html [1 Mei 2010].
Rahmat U. 2009. Analisis Pembentukan Word Graph Kata Sifat Menggunakan Metode Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Ramlan M. 2001. Ilmu Bahasa Indonesia Sintaksis. Yogyakarta: Karyono.
Rusiyamti. 2008. Analisis Teks Berbahasa Indonesia Menggunakan Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Saleh H. 2009. Analisis Pembentukan Word Graph Kata Benda Menggunakan Teori Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Samba R. 2010. Analisis Pembentukan Word Graph Kata Keterangan Menggunakan Metode Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Susanti T. 2010. Aroma Usir Narkoba. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Obat-tradisional/aroma-usir-narkoba. html [4 September 2010].
Syariefa E. 2010. The Super Fruit. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/the-super-fruit.html [3 November 2010].
Tambunan LA. 2010. Naga Kuning Jadi Jumbo. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Buah/naga-kuning-jadi- jumbo.html [1 Mei 2010].
van der Berg H. 1993. Knowledge and Logic: One of Two Kinds [dissertation]. Enschede: University of Twente, The Netherlands, ISBN 9090063609.
Wiguna I. 2010a. Cetak Naga Bongsor. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Topik/cetak-naga-bongsor. html [8 Oktober 2010].
Wiguna I. 2010b. Untuk Taman untuk Makan. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Buah/untuk-taman-untuk- makan.html [3 November 2010].
Yajri F. 2009. Remaja Lagi Tinggi Produksi. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Perkebunan/remaja-lagi-tinggi-
produksi.html [1 September 2009].
Yajri F. 2010. Ikan Koi Primadona Baru. Trubus online. [majalah elektronik]. http://www.trubus-online.co.id/trindo3/Satwa/ikan-koi-primadona-baru.html [8 Oktober 2010].
Zhang L, Hoede C. 2000. Structural Parsing. Memorandum No. 1527, Faculty of Mathematical Science, University of Twente, The Netherlands, ISSN 01692690.
Zhang L. 2002. Knowledge Graph Theory and Structural Parsing [thesis]. Enschede: University of Twente, The Netherlands, ISBN 9036518350.
ZIKRI SULISTIAWAN. The Analysis of Word Graph Formation of Indonesian Adverb Phrase Using Knowledge Graph Method. Under Supervision of SRI NURDIATI and FARIDA HANUM.
Knowledge Graph (KG) is a new method to represent a knowledge in a graph form. In KG, a word is represented by a word graph. The structure of the word graph describes the semantic aspect of the word. Previous researches on KG have resulted in the construction of word graphs of nouns, adjectives, verbs, prepositions, adverbs, and phrases. However, none of them has investigated the construction word graph of adverb phrases. Therefore, this research intends to analyze the structure of an adverb phrase and to construct its word graph. In this research, the meaning of an adverb phrase is analyzed and classified into one of the eight existing categories. The next step is to analyze the word graph pattern of the phrases such that, the phrases having similar pattern are to be grouped together. The results show that there are 7 word graph patterns for adverb phrase. Keyword: adverb phrase, graph, knowledge graph, word graph
1.1 Latar Belakang
Teori graf merupakan salah satu bidang penting dalam matematika terapan. Teori graf digunakan untuk memodelkan masalah-masalah dari semua ilmu pengetahuan, terutama sekali berguna dalam penerapan-penerapan yang
melibatkan jaringan komunikasi. Dalam Ramlan (2001) disebutkan bahwa bahasa merupakan salah satu alat komunikasi antarindividu dalam berinteraksi,
peran bahasa sangatlah penting untuk menyampaikan maksud dan informasi kepada komunikan.
Dalam berinteraksi, bahasa dapat dibedakan menjadi bahasa alami dan bahasa buatan. Bahasa alami adalah bahasa yang biasa digunakan untuk berkomunikasi antarmanusia berupa suara atau ucapan (spoken language), dan sering juga dinyatakan dalam bentuk tulisan. Bahasa buatan adalah bahasa yang dibuat secara khusus untuk memenuhi kebutuhan tertentu, misalnya bahasa pemodelan atau bahasa pemrograman komputer.
Dipandang dari sisi implementasi teknologinya, pemrosesan bahasa alami dan bahasa buatan sangat berbeda. Bahasa alami lebih banyak melakukan pemrosesan bunyi atau suara, sedangkan bahasa buatan lebih banyak melakukan pemrosesan simbol tertulis. Pemrosesan bahasa alami tumbuh secara alami sebagai alat komunikasi, sedangkan bahasa buatan mesti dirancang oleh manusia dengan mematuhi aturan yang diperlukan untuk kemudahan pemrosesannya.
Perancangan bahasa alami tidak memperhatikan berbagai kendala untuk kemudahan pemrosesan, akibatnya pemrosesan bahasa alami jauh lebih sulit dilakukan dibandingkan dengan bahasa buatan. Beberapa alasan yang
menyulitkan pemrosesan bahasa alami yaitu dalam bahasa alami sering terjadi ambiguity atau makna ganda, jumlah kosa kata (vocabulary) dalam bahasa alami sangat besar dan teknik pemrosesan bahasa alami bersifat sangat
language dependent yaitu suatu sistem atau teknik yang berlaku untuk suatu bahasa dan tidak mudah diterapkan untuk bahasa lainnya. Chomsky adalah orang yang pertama kali memproses dan mempresentasikan bahasa alami sebagai
rangkaian simbol. Karena pemikirannya maka lahirlah ilmu natural language processing (NLP).
Teknologi NLP merupakan teknologi yang memungkinkan untuk melakukan berbagai macam pemrosesan terhadap bahasa alami yang biasa digunakan oleh manusia. Sistem ini biasanya mempunyai masukan dan keluaran
berupa bahasa tulisan (teks). NLP mempunyai aplikasi yang sangat luas, di antaranya sebagai natural language translator yaitu translator dari satu bahasa
alami ke bahasa alami lainnya, dan digunakan sebagai translator bahasa alami ke bahasa buatan, juga sebagai text summarization yaitu suatu sistem yang dapat membuat ringkasan hal-hal yang penting dari suatu wacana yang diberikan (Arman 2004).
Seiring dengan kebutuhan dan kemajuan zaman, aplikasi NLP semakin dikembangkan oleh para ilmuwan. Metode knowledge graph (KG) merupakan metode baru dalam NLP yang merupakan sebuah metode untuk mengekspresikan bahasa dengan cara menganalisis teks dokumen secara harfiyah dengan tujuan agar dokumen tersebut lebih mudah dipahami dan diperoleh pengetahuan baru.
C Hoede, seorang ahli matematika diskret di Universitas Twente, dan F N Stockman, seorang sosiolog di Universitas Groningen Belanda, memprakarsai penggunaan metode KG mempresentasikan sembarang teks pada buku. Penggunaan metode KG untuk mempresentasikan suatu teks melibatkan bahasa yang digunakan dalam teks tersebut. Saat ini penggunaan metode KG telah dilakukan untuk dokumen yang menggunakan teks berbahasa Inggris, karena struktur bahasa Inggris tidak sama dengan struktur bahasa Indonesia maka perlu dilakukan analisis terhadap struktur bahasa Indonesia.
Penelitian penerapan metode KG pada bahasa Indonesia dalam jangka panjang bertujuan merancang sebuah metode yang dapat membaca teks berbahasa Indonesia dan menghasilkan informasi dari teks dalam bentuk graf, informasi tersebut merupakan intisari dari pengetahuan yang ada dalam dokumen yang dibaca. Penerapan dan pengembangan KG pada teks berbahasa Indonesia hingga saat ini masih terasa sangat perlu dilanjutkan. Implikasi dari penerapan KG sangat bermanfaat untuk pengembangan sarana komunikasi untuk masa akan datang.
Penelitian KG pada teks berbahasa Indonesia telah dilakukan oleh beberapa peneliti di Departemen Matematika dan Departemen Ilmu Komputer Institut Pertanian Bogor, antara lain rekayasa memahami teks menggunakan metode KG dalam bahasa Indonesia (Hulliyah 2007), penentuan chunk indicators yang digunakan sebagai petunjuk dalam menganalisis teks berbahasa Indonesia (Rusiyamti 2008). Selain itu, penelitian pembentukan word graph kata pada bahasa Indonesia menggunakan teori KG juga telah dilakukan, yaitu: kata benda (Saleh 2009), kata sifat (Rahmat 2009), kata kerja (Muslik 2009), preposisi (Anggraeni 2009), kata keterangan (Samba 2010) dan konstruksi pola word graph frasa kata (Mahmuda 2010).
Penelitian-penelitian tersebut di atas belum memadai untuk terbentuknya sebuah metode untuk membaca teks berbahasa Indonesia oleh mesin atau komputer, apalagi untuk penerapannya dalam bentuk software komputasi sebab masih banyak konsep dan aturan pada struktur bahasa Indonesia yang belum dianalisis/dibentuk word graph-nya. Perancangan aturan untuk semua konsep pada struktur bahasa Indonesia agar terciptanya suatu word graph bukanlah hal mudah, melainkan perlu kerja keras dan waktu yang tidak sedikit. Oleh karena itu, penulis tertarik melakukan penelitian tentang KG dengan membatasinya pada aturan pembentukan word graph frasa keterangan bahasa Indonesia sebab aturan pembentukan word graph pada frasa keterangan ini belum dilakukan penganalisisan secara khusus oleh peneliti-peneliti sebelumnya.
1.2 Tujuan Penelitian
Penelitian ini bertujuan :
1 melakukan identifikasi dan analisis frasa keterangan (adverbia) pada bahasa Indonesia,
2 membuat aturan pembentukan word graph frasa keterangan (adverbia) pada bahasa Indonesia,
3 melakukan pengujian aturan word graph untuk frasa keterangan (adverbia) pada bahasa Indonesia.
1.3 Manfaat Penelitian
Penelitian ini akan menghasilkan word graph frasa keterangan yang
bermanfaat untuk melengkapi aturan yang sudah diperoleh dari hasil penelitian sebelumnya dalam menganalisis wacana/teks berbahasa Indonesia.
Aturan word graph frasa keterangan yang diperoleh direpresentasikan hasilnya dalam bentuk graf.
2
TINJAUAN PUSTAKA
Pada bagian ini dijelaskan beberapa definisi, teori dan konsep yang akan digunakan untuk pembahasan bab-bab selanjutnya.
2.1 Frasa Keterangan
2.1.1 Definisi Frasa Keterangan
Frasa keterangan pada bahasa Indonesia baku merupakan pengembangan dari kata keterangan (Alwi et al. 2003). Secara gramatik, frasa keterangan terdiri atas frasa dan kata keterangan. Frasa adalah kesatuan yang terdiri atas dua kata atau lebih, yang masing-masingnya mempertahankan makna dasar katanya, sementara gabungan itu menghasilkan suatu relasi tertentu, dan tiap kata pembentuknya tidak bisa berfungsi sebagai subjek dan predikat dalam konstruksi itu (Keraf 1991). Kata keterangan atau adverbia adalah kelas kata yang memberikan keterangan kepada kata lain, seperti kata kerja (verba) dan kata sifat (adjektiva) yang bukan kata benda (nomina). Contoh adverbia misalnya sangat, amat, tidak.
Dari segi bentuknya kata keterangan dapat dibagi menjadi dua golongan besar, yaitu (1) kata keterangan tunggal, dan (2) kata keterangan gabungan. Kata keterangan tunggal dapat dirinci lagi berupa kata dasar, kata berafiks, dan kata ulang, contohnya: banyak (kata dasar), mestinya (kata berafiks), dan kadang- kadang (kata ulang). Di pihak lain, kata keterangan gabungan bentuknya berupa kelompok kata yang tidak mempunyai predikat sehingga kata ini disebut juga sebagai frasa keterangan. Contoh: belum lagi, kadang kala, acapkali, hampir selalu, seringkali dan lagi pula (Finoza 2009).
2.1.2 Struktur Frasa Keterangan
Frasa keterangan merupakan kelompok kata yang berfungsi menerangkan predikat yang berupa verba atau adjektiva, selain itu ternyata frasa adverbia dapat menerangkan frasa preposisional, dan dapat juga menerangkan seluruh kalimat (Alwi et al. 2003). Inti dari frasa keterangan adalah kata keterangan yang membentuk frasa keterangan itu sendiri, sehingga makna frasa keterangan sama dengan makna kata keterangan (Finoza 2009).
Berdasarkan perilaku semantisnya kata keterangan sebagai inti frasa keterangan dapat mengungkapkan delapan jenis arti. Setiap jenis arti menggambarkan makna yang disandangnya (Alwi et al. 2003). Makna frasa keterangan berdasarkan perilaku semantisnya tersebut dapat dijelaskan sebagai berikut:
1. Makna kualitatif
Makna kualitatif menggambarkan makna yang berhubungan dengan tingkat, derajat dan mutu dari inti frasa keterangan.
2. Makna kuantitatif
Makna kuantitatif menggambarkan makna yang berhubungan dengan jumlah. 3. Makna limitatif
Makna limitatif menggambarkan makna yang berhubungan dengan pembatasan dari inti frasa keterangan.
4. Makna frekuentatif
Makna frekuentatif menggambarkan makna yang berhubungan dengan tingkat kekerapan terjadinya sesuatu yang diterangkan kata keterangan itu. 5. Makna kewaktuan
Makna kewaktuan menggambarkan makna yang berhubungan dengan saat terjadinya peristiwa yang diterangkan kata keterangan itu.
6. Makna kecaraan
Makna kecaraan menggambarkan makna yang menjelaskan suatu peristiwa karena tanggapan si pembicara atas berlangsungnya peristiwa tersebut.
7. Makna kontrastif
Makna kontrastif menggambarkan pertentangan dengan makna kata atau hal yang dinyatakan sebelumnya.
8. Makna keniscayaan
Makna keniscayaan menggambarkan makna yang berhubungan dengan kepastian tentang kelangsungan atau terjadinya hal atau peristiwa yang dijelaskan kata keterangan itu.
2.2 Knowledge Graph
Knowledge graph atau KG merupakan suatu pendekatan baru dalam perkembangan ilmu pengetahuan yang dapat digunakan untuk menyatakan dan memahami bahasa manusia ke bentuk yang lebih sederhana dengan bantuan aplikasi komputer dengan lebih memfokuskan pada aspek semantik daripada aspek sintatik. KG terdiri atas suatu himpunan verteks V yang tidak berlabel disebut token dan dinyatakan dengan persegi (Hoede 2003).
Menurut Hoede dan Nurdiati (2008) KG biasanya merupakan graf gabungan edge dan arc yang diberi label dan dinyatakan dengan garis dan garis berarah. Pada prinsipnya komposisi dari knowledge graph terdiri atas concept (token, type, dan name) dan relationship.
2.2.1 Concept
Menurut Zhang (2002) concept adalah komponen terpenting dalam pemikiran manusia. Concept dapat menjadi tata cara dalam membentuk suatu pengertian dari yang khusus ke bentuk umum atau sebaliknya. Concept dibedakan menjadi tiga jenis yaitu token, type, dan name (Berg 1993).
Token merupakan concept yang dipahami oleh seseorang menurut cara pandangnya masing-masing, sehingga token bersifat subjektif. Sebuah token dalam KG direpresentasikan dengan simbol “”. Dalam metode KG segala sesuatu akan dihubungkan dengan token (Berg 1993). Type bersifat objektif dan merupakan concept yang berbentuk informasi umum dari kesepakatan yang dibuat sebelumnya (Zhang 2002). Name adalah suatu yang bersifat individual (Berg 1993). Sebagai
contoh “melati” adalah sebuah name yaitu nama dari sebuah bunga.
2.2.2 Relations
Relations pada KG merupakan ontologi. Ontologi adalah gambaran dari beberapa konsep dan relasi antar-concept yang bertujuan mendefinisikan ide-ide yang merepresentasikan concept, relasi dan logikanya. Berdasarkan ontologi yang dimiliki inilah maka KG dapat memahami bahasa alami (natural language) (Anggraeni 2009). Hal ini diperlukan untuk mengekspresikan arti dari suatu kalimat. Ontologi word graph terdiri atas token yang dinyatakan dengan node,
9 binary relations, dan 4 frame relations. Menurut Zhang dan Hoede (2000), penjelasan dari ontologi dalam teori KG tersebut sebagai berikut:
1 Relasi Alikeness (ALI)
Relasi alikeness disingkat dengan ALI yang berasal dari kata ALIKE berarti sama atau mirip. Relasi ALI digunakan untuk menghubungkan sebuah type dengan token (Zhang 2002). Contoh type adalah kembang, maka word graph dari kata kembang yaitu:
Gambar 1 Contoh penggunaan relasi Alikeness (ALI).
2 Relasi Causality (CAU)
Relasi causality (CAU) antara dua buah token dilambangkan dengan garis berarah dan digunakan untuk menghubungkan dua token yang memiliki hubungan sebab akibat. Untuk struktur yang kompleks CAU digunakan untuk menghubungkan dua token yang memiliki hubungan, pelaku, alasan, maksud, alat dan hasil. Dalam Zhang (2002) disebutkan bahwa relasi CAU dapat digunakan untuk menghubungkan dua concept yang terdiri atas kata kerja, yaitu untuk menghubungkan subjek dengan predikat atau predikat dengan objek. Contoh: Dede minum. Kalimat tersebut dapat dinyatakan dengan word graph berikut:
Gambar 2 Contoh penggunaan relasi Causality (CAU).
3 Relasi Equality (EQU)
Relasi Equality (EQU) digunakan untuk menghubungkan sebuah name dengan token. Contoh: mawar adalah name dari bunga. Relasi EQU juga dapat
ALI CAU ALI
ALI kembang Dede minum EQU orang
difungsikan untuk menjelaskan concept yang setara atau sama, mengekspresikan dua hal yang identik. Berikut ini graf dari penggunaan relasi EQU.
Gambar 3 Contoh penggunaan relasi Equality (EQU).
Logika matematika EQU diformulasikan dengan jika A EQU B, maka A=B. EQU menyatakan kata hubung sama dengan atau pada bahasa Indonesia EQU dapat berarti adalah dan merupakan.
Gambar 4 Contoh penggunaan relasi EQU untuk merepresentasikan A = B.
4 Relasi Subset (SUB)
Jika ada dua token menyatakan suatu word graph, dan token yang satu merupakan bagian dari token yang lain, maka kedua token tersebut dihubungkan dengan relasi SUB. Contoh: jengger SUB ayam. Contoh tersebut mengekspresikan jengger ayam yang berarti jengger merupakan bagian dari anggota tubuh ayam. Pernyataan tersebut dinyatakan pada gambar berikut:
Gambar 5 Contoh penggunaan relasi Subset (SUB).
Relasi SUB pada dasarnya adalah menggambarkan satu bagian dari sebuah concept yang utuh sehingga fungsi SUB berkaitan erat dengan concept kepemilikan, artinya a adalah milik atau bagian dari b.
SUB B ALI EQU ALI EQU ALI mawar bunga A
5 Relasi Disparateness (DIS)
Relasi Disparateness (DIS) digunakan untuk menyatakan relasi antara dua token yang tidak mempunyai satu elemen yang sama satu dengan yang lainnya.
Relasi ini juga dapat digunakan untuk menyatakan kata “berbeda”, misalnya padi berbeda dengan jagung, kalimat tersebut dapat dinyatakan dengan word graph berikut.
Gambar 6 Contoh penggunaan relasi Dispareteness (DIS).
6 Relasi Ordering (ORD)
Relasi Ordering (ORD) menyatakan bahwa dua benda memiliki urutan tertentu satu dengan lainnya, baik urutan waktu maupun tempat. Relasi ini digunakan untuk membandingkan urutan dua benda dan dapat juga digunakan
untuk mengungkapkan hubungan “ < ” yang dikenal dalam matematika A < B (A lebih kecil dari B). Misalnya “ dari hari ini sampai besok” dapat dinyatakan dengan word graph berikut.
Gambar 7 Contoh penggunaan relasi Ordering (ORD).
7 Relasi Attribution (PAR)
Relasi Attribution (PAR) digunakan untuk menjelaskan bahwa satu elemen berkaitan dan memiliki sifat elemen lainnya. Misalnya tanaman hias. Kata hias merupakan atribut dari tanaman, dinyatakan dengan word graph berikut.
Gambar 8 Contoh penggunaan relasi Attribution (PAR).
Relasi PAR juga digunakan untuk menghubungkan satuan seperti waktu, panjang, temperatur, berat, umur, dan lain-lain.
PAR ALI hias
ALI
hari ini
ALI
padi ALI DIS jagung
ALI ORD
ALI
besok
8 Relasi Informational Dependency (SKO)
Relasi SKO menyatakan hubungan jika suatu token bergantung pada token yang lainnya. Contohnya rajin pangkal pandai. Dapat dinyatakan dengan word graph berikut.
Gambar 9 Contoh penggunaan relasi Informational Dependency (SKO).
9 Ontologi F (Focus)
Ontologi F digunakan untuk menunjukkan fokus dari suatu graf (Nurdiati & Hoede 2009). Pada penelitian ini fokus disimbolkan dengan persegi yang dihitamkan. Fokus menunjukkan intisari dari suatu pernyataan misalnya untuk menyatakan word graph “ibu menelepon saya” dengan fokus “ibu” dinyatakan sebagai berikut:
Gambar 10 Contoh penggunaan ontologi F.
Terdapat empat frame relations dari ontologi KG yaitu: 1. Focusing on a situation : FPAR
2. Negation of a situation : NEGPAR 3. Possibility of a situation : POSPAR 4. Necessity of a situation : NECPAR
Jika suatu graf merepresentasikan suatu pernyataan, misalkan p, yang dinyatakan dengan frame, maka graf dari negasi p dapat dinyatakan dengan graf yang sama dan diberi frame relasi NEGPAR, graf possibility dari p dinyatakan
SKO ALI pandai
rajin ALI CAU ALI CAU ALI ibu ALI ALI telepon saya menelepon
dengan graf yang sama dan diberi frame dengan relasi POSPAR, graf necessity