PENDAHULUAN
Latar Belakang
Salah satu teknologi pemrosesan bahasa alami adalah pemrosesan teks. Pemrosesan teks dapat berupa analisis makna (semantik) pada suatu teks. Makna suatu teks dapat direpresentasikan sebagai pengetahuan dan salah satu metode yang merepresentasikan pengetahuan dalam bentuk graf adalah metode
Knowledge Graph (KG). Berbagai penelitian menggunakan metode KG telah banyak dibahas, namun untuk implementasi metode KG belum banyak dilakukan. Penelitian yang ada masih dalam menganalisis teks dan membuat aturan untuk menganalisis teks.
Implementasi metode KG dalam analisis semantik diharapkan dapat berguna untuk melakukan abstraksi teks secara otomatis. Untuk dapat mewujudkan hal tersebut, telah dikembangkan BogorDelftConstruct sebagai implementasi metode KG tahap awal. Awalnya implementasi metode KG dikembangkan berdasarkan hasil analisis struktur bahasa Inggris, yaitu DelftConStruct. DelftConStruct adalah perangkat lunak yang telah dikembangkan oleh Mark van Koningsveld pada tahun 2003-2008.
DelftConStruct merupakan tools yang berguna sebagai editor yang dikembangkan untuk membuat graf kata ataupun kalimat dalam struktur bahasa Inggris. DelftConStruct dapat menganalisis suatu kata dan membentuk suatu graf antara satu kata dengan kata yang lainnya (word graph), namun belum sesuai dengan konsep KG menurut Romadoni (2009). Sebagai perbaikan dari DelftConStruct maka dikembangkan untuk struktur bahasa Indonesia BogorDelftConstruct.
Selain itu, beberapa penelitian juga telah dilakukan untuk analisis semantik pada beragam jenis kata, antara lain kata sifat, kata kerja, kata benda dan kata depan. Perwujudan abstraksi teks secara otomatis dapat diwujudkan dengan mengimplementasikan analisis semantik kata dari beragam jenis kata. Diawali dengan menganalisis makna kata untuk satu jenis kata kemudian dikembangkan untuk jenis kata yang lain. Dari analisis semantik jenis kata dapat dikembangkan untuk menganalisis makna kalimat, frase hingga teks dari setiap kata yang terdapat pada masing-masingnya.
Merujuk pada BogorDelftConstruct sebagai
tools yang berguna untuk membuat graf kata maka BogorDelftConstruct digunakan sebagai
wadah pengembangan implementasi bagi perwujudan abstraksi teks. Dengan fitur pembentukan kamus word graph yang dimiliki BogorDelftConstruct maka penelitian ini akan mengembangkan modul untuk kamus word graph kata sifat. Analisis semantik dari pembentukan kata sifat telah dilakukan pada penelitian sebelumnya oleh Rahmat (2009) yang menghasilkan pola aturan untuk kata sifat. Penelitian ini diharapkan menjadi tahap lanjutan dalam mewujudkan abstraksi teks secara otomatis.
Tujuan
Penelitian ini bertujuan untuk mengembangkan modul kamus word graph kata sifat pada sistem aplikasi BogorDelftConstruct berdasarkan hasil analisis aturan dari penelitian sebelumnya. Penelitian ini akan membentuk
word graph yang dapat merepresentasikan makna suatu kata sifat secara otomatis.
Ruang Lingkup
Penelitian ini dibatasi pada pengembangan modul sistem aplikasi BogorDelftConstruct untuk membuat kamus word graph kata sifat sesuai aturan-aturan kata sifat dari hasil analisis penelitian sebelumnya. Selain itu, penelitian ini dibatasi hanya untuk kata sifat bentuk tunggal dalam bahasa Indonesia, bukan paduan kata sifat dengan kata lain.
Manfaat
Manfaat utama dari penelitian ini adalah mengekspresikan makna suatu kata sifat yang direpresentasikan dalam bentuk word graph
sehingga tidak terjadi ambiguitas. Manfaat lain adalah memberikan pengetahuan yang tidak hanya dalam memaknai kata sifat tetapi juga untuk semua jenis kata dalam bahasa Indonesia. Selain itu, dengan menambah kelengkapan modul untuk jenis kata selain kata sifat pada BogorDelftConstruct diharapkan sistem dapat melakukan abstraksi teks secara otomatis.
TINJAUAN PUSTAKA
Natural Language Processing (NLP)
Perkembangan teknologi mengarah kepada proses komunikasi secara interaktif antara manusia dan komputer menggunakan bahasa alami. Natural Language Processing (NLP) merupakan bagian dari kecerdasan buatan yang mampu mewujudkan teknologi tersebut. Dalam sejarahnya, NLP telah danyak diteliti dan dikembangkan dari segala aspek, seperti bidang
Ilmu Komputer dengan NLP, Ilmu Bahasa dengan Komputasi Linguistik, Elektro dengan
Speech Recognition, dan Psikologi dengan Komputasi Psikolinguistik.
Teknologi NLP memungkinkan berbagai macam pemrosesan bahasa alami seperti pengenalan suara dan pemrosesan teks. Dalam pemrosesan teks salah satu aplikasinya adalah
text summarization. Text summarization adalah sistem yang meringkas teks untuk mengambil informasi penting dalam teks (Hulliyah 2007). Stemming
Stemming merupakan proses menemukan kata dasar dari suatu kata berimbuhan dengan membuang awalan (prefiks) dan akhiran (suffiks). Tujuannya adalah untuk menghemat media penyimpanan dan mempercepat proses pencarian kata (Liddy 2001).
Knowledge Graph (KG)
Metode KG adalah cara pandang baru yang digunakan untuk menggambarkan bahasa alami. Aspek ontologi menjadi perbedaan yang mendasar antara metode KG dengan metode representasi lain. KG memiliki beberapa keuntungan. KG memiliki kemampuan dalam menyatakan aspek semantik dengan lebih mendalam, menggunakan jenis relasi yang terbatas dan digunakan untuk meniru pemahaman manusia.
Pada prinsipnya, komposisi dari KG mencakup concept (token dan type) dan
relationship (binary dan multivariate relation) (Zhang 2002).
Concept
Representasi pemikiran dapat dimodelkan dengan KG, disebut dengan mind graph.
Concept merupakan komponen dari mind graph
yang menerangkan persepsi mengenai sesuatu (Zhang 2002).
Token
Token merupakan node dalam KG, yang dinyatakan dengan simbol
□
. Tokenmenyatakan segala sesuatu yang kita alami dalam dunia nyata atau bahkan mengenai sebuah konsep dalam pikiran kita. Dalam
Word Graph
Word graph merupakan graf dari kata. Dalam metode KG setiap kata berhubungan dengan sebuah word graph, menyatakan arti kata yang disebut dengan semantic word graph. Gabungan semantic word graph dalam sebuah kalimat akan membentuk sentence graph. Graf yang merepresentasikan gabungan dari sentence graph dalam sebuah teks disebut text graph
yang terdapat pengetahuan di dalamnya (Hoede dan Nurdiati 2008).
Aspek Ontologi
Ontologi merupakan gambaran dari beberapa konsep dan relasi antar konsep yang bertujuan mendefinisikan ide-ide yang merepresentasikan konsep, relasi dan logika. (Rusiyamti 2008).
Relasi menghubungkan antara dua konsep yang membentuk graf. Jika relasi antara dua konsep A dan B membentuk sebuah graf, maka ada hubungan timbal balik antara A dan B.
Menurut Nurdiati dan Hoede (2009), Ontologi word graph sampai saat ini terdiri atas 9 binary relationship yaitu 8 binaryrelationship
dan tambahan Ontologi F (Focus) serta 4 frame relationship. Penggunaan beberapa binary relationship dapat dilihat pada Gambar 1.
8 binary relationship dan Ontologi F (Focus) tersebut antara lain:
1. Similarity of alikeness : ALI
2. Causality : CAU
3. Equality : EQU
4. Subset relationship : SUB 5. Disparateness : DIS 6. Attribution : PAR
7. Ordering : ORD
8. Informational dependency : SKO 9. Ontologi F (Focus)
Berikut penjelasan masing-masing binary relationship:
1. Relasi ALI
Relasi ALI digunakan untuk menghubungkan sebuah type dengan token
yang lain. Menurut Nurdiati dan Hoede (2009), relasi CAU digunakan untuk menghubungkan subjek dengan objek dan predikat dengan objek. Penggunaan relasi CAU terdapat pada Gambar 1.
3. Relasi EQU
Relasi EQU digunakan untuk menyatakan penamaan dengan label anak panah menunjuk ke arah konsep. Relasi EQU digunakan untuk menyatakan bahwa kedudukan concept yang sama atau sederajat.
4. Relasi SUB
Jika dua concept dinyatakan secara berturut-turut dan concept yang satu merupakan subset dari concept yang lain maka digunakan relasi SUB. Jika penggunaannya antara dua token dan menyatakan mengenai properti terhadap suatu token, maka relasi yang digunakan adalah relasi FPAR. Penggunaan relasi SUB terdapat pada Gambar 1.
5. Relasi DIS
Relasi DIS digunakan untuk menyatakan
concept yang satu berbeda dengan concept
yang lain. Penggunaan relasi DIS terdapat pada Gambar 1.
6. Relasi PAR
Relasi PAR menyatakan bahwa sesuatu merupakan atribut (sifat) dari sesuatu yang lain. Penggunaan relasi PAR terdapat pada Gambar 1.
7. Relasi ORD
Relasi ORD menyatakan bahwa dua hal saling berurutan. Relasi ini digunakan untuk menunjukkan urutan dalam hal waktu dan tempat.
8. Relasi SKO
Relasi SKO berdasarkan konsep mengenai ketergantungan informasi.
9. Ontologi F (Focus)
Ontologi F digunakan untuk menunjukkan fokus dari suatu graf (Nurdiati & Hoede 2009). Ontologi F untuk menunjukkan kata atau kalimat yang diterangkan dalam suatu pernyataan (inti). Penggunaan Ontologi F terdapat pada Gambar 1.
Gambar 1 Contoh penggunaan relasi ALI, CAU, SUB, DIS, dan PAR.
Frame merupakan verteks yang berlabel dan digunakan untuk mengelompokkan beberapa konsep (Rahmat 2009). Adakalanya 1 (satu) objek tidak cukup terwakili oleh sebuah token, maka diperlukan frame yang mengelompokkan token tersebut dalam sebuah pernyataan. Menurut Zhang (2002), frame relationships ada empat macam, antara lain:
1. Focusing on a situation : FPAR 2. Negation on a situation : NEGPAR 3. Possibility on a situation : POSPAR 4. Necessity on a situation : NECPAR Relasi frame menyatakan bahwa simpul yang telah berlabel yang membentuk graf yang kompleks disusun di dalam frame. Relasi FPAR menyatakan sesuatu memiliki properti dari sesuatu yang lain. Relasi NEGPAR menyatakan negasi dari isi frame. Relasi POSPAR menyatakan kemungkinan dari isi frame. Relasi NECPAR menyatakan perlu tidaknya dari isi
frame.
Ekspresi Semantik dengan KG
Dalam metode KG untuk membangun model pemahaman bahasa alami dibutuhkan kemampuan untuk menyatakan makna kata atau kalimat. Untuk dapat memahami makna kalimat harus lebih dahulu dapat memahami makna setiap kata. Kemudian makna setiap kata disusun menjadi makna suatu kalimat secara keseluruhan (Zhang 2002).
Pemaknaan setiap kata menjadi dasar pembentukan graf kata (word graph). Pemaknaan kata dinyatakan secara terhubung antar konsep. Makna kata dalam metode KG membangun struktur arti, sehingga dapat mengatasi ambiguitas.
Adjektiva (Kata Sifat)
1. Batasan dan Ciri Adjektiva (Kata Sifat) Menurut Rahmat (2009) yang diacu dalam Alwi et. al (2003), adjektiva atau kata sifat adalah kata yang menerangkan kata benda
ALI ALI ALI PAR ALI F sungai laut CAU CAU meteor hantaman PAR ALI DIS ALI karang SUB
(nomina) dalam kalimat. Adjektiva memunyai ciri sebagai berikut:
1) Adjektiva dapat diberi keterangan penguat seperti lebih, kurang, dan paling. Contoh: lebih muda, kurang manis, paling cantik. 2) Adjektiva dapat diberi keterangan penguat
seperti sangat, amat, benar, sekali, dan
terlalu. Contoh: sangat sulit, amat jauh, kotor benar, pendek sekali, terlalu panjang. 3) Adjektiva dapat diingkari dengan kata
ingkar tidak. Contoh: tidak tipis.
4) Adjektiva dapat diulang dengan awalan se- dan akhiran -nya. Contoh: sejauh-jauhnya. 5) Adjektiva pada kata tertentu dapat
berakhiran antara lain dengan –er, -(w)i, - iah, -if, -al dan -ik. Contoh: rohaniah, surgawi, material.
2. Adjektiva dari segi bentuknya
Dari segi bentuk, adjektiva terbagi atas adjektiva dasar (monofemis) dan adjektiva turunan (polimorfemis). Contoh adjektiva dasar: cantik, jelek, baik, buruk, jauh, dekat. Adjektiva turunan dibentuk dengan tiga cara: pengafiksan, pengulangan, dan pemaduan dengat kata lain.
1) Adjektiva polimorfemis yang dibentuk dengan pengafiksan.
Adjektiva ini menggunakan serapan adjektiva berafiks dari bahasa lain seperti bahasa Arab, Belanda dan Inggris dengan afiks serapan: -i, -iah, -wi, atau –wiah. Contoh: manusiawi, hewani, ilmiah. Hasil pengafiksan dengan infiks atau sisipan -em- pada kata benda (nomina). Contoh: gemuruh, kemilau, temaram.
Hasil pengafiksan tingkat ekuatif dengan prefiks atau awalan se- dan tingkat superlatif dengan prefiks ter-. Di samping itu, beberapa nomina digunakan sebagai adjektiva dalam kalimat contoh: pemberani, pemalas.
2) Pengulangan
Adjektiva ini dapat berfungsi sebagai predikat dan adverbial. Adjektiva yang berfungsi predikat berarti kejamakan,
adjektiva dengan kata benda akan menghasilkan arti baru contoh: rendah hati, mulut manis. Pemaduan adjektiva dengan adjektiva memberi arti menguatkan unsur pertama. Contoh: hitam legam, pucat pasi, cerah ceria. (Alwi et. al 2003 dalam Rahmat 2009).