Modul Word Graph Frasa Kata pada BogorDelftConstruct

(1)

MODUL WORD GRAPH FRASA KATA

PADA BOGORDELFTCONSTRUCT

BENEDIKA FERDIAN HUTABARAT

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

MODUL WORD GRAPH

FRASA KATA

PADA BOGORDELFTCONSTRUCT

BENEDIKA FERDIAN HUTABARAT

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

ABSTRACT

BENEDIKA FERDIAN HUTABARAT. Phrase word graph module in BogorDelftConstruct. Supervised by SRI NURDIATI.

BogorDelftConStruct is the first KG application developed in Indonesia using MATLAB. BogorDelftConstruct has been developed as an early stage. In line with that, this research implemented semantic analysis for one part-of-speech in BogorDelftConstruct. The objective of this research is to develop a phrase word graph module in BogorDelftConstruct system. The phrase has 40 word graph patterns formed by affixation. The process of forming word graph starts by acquiring root word and affix within input word using stemming based on Kamus Besar Bahasa Indonesia (KBBI). Root word is used to search part-of-speech in KBBI. Part-of-speech of root word and affix are used as parameters to determine which pattern of phrase word graph is appropriate. The appropriate pattern which contains the meaning of the word is generated in the system. The process of determining the appropriate pattern can be considered as a testing stage. In this module, from 40 patterns of phrase word graph, all of them can be identified according to the results of testing for patterns of phrase word graph module with a total of 265 tested phrases.

(4)

i Judul skripsi : Modul Word Graph Frasa Kata pada BogorDelftConstruct

Nama : Benedika Ferdian Hutabarat

NIM : G64051906

Menyetujui,

Dosen Pembimbing,

Dr. Ir. Sri Nurdiati, M.Sc NIP. 19601126198601 2 001

Mengetahui:

Ketua Departemen,

Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 196607021993021001

(5)

ii

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Allah Yang Maha Kasih atas segala cinta dan kasih sayang-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ini adalah penerapan metode Knowledge Graph pada pembentukan modul word graph frasa kata, dengan judul Pengembangan Modul Word Graph Frasa Kata pada Sistem aplikasi BogorDelftConstruct. Penelitian dilakukan sejak Oktober 2010 sampai dengan September 2011.

Terima kasih penulis ucapkan kepada:

1 Papa dan Mama untuk doa, kasih sayang dan dukungan yang tak pernah putus;

2 Ibu Dr. Ir. Sri Nurdiati M.Sc. selaku pembimbing atas waktu, saran, bimbingan dan pengertian yang diberikan;

3 Bapak Ahmad Ridha, S.Kom, MS. dan Bapak Sony Hartono Wijaya, S.Kom, M.Kom. selaku penguji yang telah memberikan kritik dan saran selama penulis mulai melakukan penelitian hingga sidang tugas akhir;

4 Teman-teman seperjuangan angkatan 42 Ilkom IPB; 5 Sahabat-sahabat Perwira 43;

6 Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu penulis dalam menyelesaikan penelitian ini;

Penulis berharap hasil dari penelitian ini dapat bermanfaat dan dapat menjadi acuan bagi penelitian selanjutnya.

Bogor, Februari 2012

(6)

iii

RIWAYAT HIDUP

Penulis dilahirkan di Jambi pada tanggal 2 Februari 1987 dari ayah P.M.Hutabarat dan ibu Stella Havelina. Penulis merupakan putra ketiga dari empat bersaudara.

(7)

iv

DAFTAR ISI

Halaman

DAFTAR GAMBAR ... v

DAFTAR LAMPIRAN ... v

PENDAHULUAN Latar Belakang ... 1

Tujuan ... 1

Ruang Lingkup ... 2

Manfaat ... 2

TINJAUAN PUSTAKA Natural Language Processing (NLP) ... 2

Stemming ... 2

Knowledge Graph (KG) ... 2

Concept ... 2

Token ... 2

Type ... 2

Word Graph ... 2

Aspek Ontologi ... 3

Ekspresi Semantik dengan KG ... 4

Frasa Kata ... 5

METODE PENELITIAN Studi Literatur ... 7

Penambahan Modul Frasa Kata... 7

Penentuan Pola Hasil (Pengujian) ... 8

Analisis Hasil ... 8

Dokumentasi dan Laporan ... 8

HASIL DAN PEMBAHASAN Batasan Sistem ... 8

Penambahan Modul Frasa Kata... 8

Proses Pengenalan Pola ... 9

Pola Word Graph Frasa Kata ... 9

Implementasi Antarmuka ... 10

Analisis Hasil ... 10

Analisis Hasil Pengujian Keseluruhan ... 14

Analisis Kekurangan dan Kelebihan Pengembangan Modul Word Graph Frasa Kata ... 15

KESIMPULAN DAN SARAN Kesimpulan ... 15

Saran ... 15

DAFTAR PUSTAKA ... 15

(8)

v

DAFTAR GAMBAR

Halaman

1 Contoh penggunaan relasi ALI ... 3

2 Contoh penggunaan relasi CAU ... 3

3 Contoh penggunaan relasi EQU ... 3

4 Contoh penggunaan relasi SUB ... 3

5 Contoh penggunaan relasi DIS ... 3

6 Contoh penggunaan relasi ORD ... 3

7 Contoh penggunaan relasi PAR ... 4

8 Contoh penggunaan relasi SKO ... 4

9 Contoh penggunaan frame FPAR ... 4

10 Contoh penggunaan frame NEGPAR ... 4

11 Contoh penggunaan frame POSPAR ... 4

12 Contoh penggunaan frame NECPAR ... 4

13 Diagram proses penambahan modul frasa kata ... 6

14 Contoh word graph yang dibentuk dalam workspace ... 8

15 Menu frasa dictionary ... 10

16 Input box ... 10

17 Contoh sebuah word graph frasa kata yang polanya sesuai ... 10

DAFTAR LAMPIRAN

Halaman 1 Splash Screen Delftconstruct ... 18

2 Tampilan Menu Modul Word Graph Frasa Kata ... 18

3 Diagram Alir Pengembangan Modul Word Graph Frasa Kata ... 19

4 Pola word graph frasa kata ... 20

5 Hasil Pengujian Pola Word Graph Frasa Kata ... 30

(9)

PENDAHULUAN

Latar Belakang

Bahasa alami tumbuh secara alami untuk memenuhi kebutuhan komunikasi antar manusia. Bahasa alami tidak dirancang dengan memperhatikan berbagai kendala untuk kemudahan pemrosesan. Berkembangnya teknologi komputer menarik minat para ilmuwan untuk menggunakan bahasa alami (bahasa manusia) untuk melakukan komunikasi dengan komputer atau mesin. Selama ini bahasa alami tidak dikenali dan diproses oleh komputer. Bahasa yang lazim digunakan untuk komunikasi antara manusia dan komputer selama ini adalah “Bahasa Buatan”. Bahasa buatan membutuhkan perangkat lunak yang dapat mengonversi bahasa buatan tersebut menjadi bahasa mesin. Perangkat lunak tersebut disebut compiler. Akan tetapi dalam praktiknya, penggunaan bahasa buatan tersebut perlu waktu dan usaha untuk mempelajarinya, sehingga tidak setiap orang dapat menggunakannya. Oleh karena itu, usaha untuk mewujudkan bahasa alami sebagai bahasa yang dikenali komputer terus dilakukan agar memudahkan banyak orang untuk berkomunikasi dengan komputer.

Penelitian dalam bahasa alami melahirkan bidang ilmu Natural Language Processing (NLP). Penelitian tersebut terus dikembangkan oleh para insan ilmiah. Masalah yang harus diselesaikan dalam NLP adalah adanya ambiguitas dalam bahasa alami. Hal ini membuat komputer tidak dapat dengan pasti memberikan output yang diharapkan. Banyak variabel yang harus dipertimbangkan untuk memahami bahasa alami sehingga sulit diinterpretasikan untuk dijadikan bahasa komunikasi antara manusia dan komputer. Selain itu terdapat masalah lain yaitu jumlah kosakata dalam bahasa alami sangat besar dan berkembang dari waktu ke waktu. Untuk berkomunikasi dengan komputer tentunya manusia menggunakan kata atau rangkaian kata berupa kalimat yang sederhana dan tidak ambigu.

Penelitian yang dilakukan dilatarbelakangi oleh permasalahan di atas. Penelitian yang akan dilakukan adalah mengembangkan perangkat lunak yang telah dibangun oleh Mark van Koningsveld pada tahun 2008. Perangkat lunak tersebut bernama “DelftConstruct”. DelftConstruct adalah tools yang menganalisis teks bahasa Inggris dan menampilkan visualisasi dalam bentuk graph dengan menggunakan metode Knowledge Graph.

DelftConstruct dibangun dengan menggunakan bahasa pemograman Matlab. Antarmuka DelftConstruct dapat dilihat pada Lampiran 1.

DelftConstruct yang telah dibuat oleh Mark van Koningsveld mengimplementasikan sistem yang dapat menganalisis suatu kata dan membentuk suatu graph antara satu kata dengan kata lainnya (word graph). Kekurangan perangkat lunak ini adalah belum mengimplementasikan fungsi untuk membuat suatu penyederhanaan kalimat dari kalimat yang tidak efektif menjadi kalimat yang sederhana dan efektif. Oleh karena itu, diperlukan fitur atau menu tambahan untuk bisa membaca masukan teks berupa kalimat dan melakukan penyederhanaan kalimat sehingga dapat menampilkan informasi berupa graph. Metode yang dilakukan dalam merepresentasikan teks ke dalam bentuk graph adalah Knowledge Graph (KG).

KG adalah salah satu jenis dari representasi NLP, yang mengarah pada cara baru dalam menjelaskan dan memodelkan NLP dan juga sebagai langkah besar ke depan untuk memahami semantik (Zhang 2002). Hal ini dilakukan dengan cara menganalisis teks yang diharapkan dapat menghasilkan sebuah pengetahuan baru. Berbagai penelitian KG yang dilakukan diharapkan mampu merancang suatu sistem yang dapat melakukan pembacaan terhadap sembarang dokumen yang diinginkan dan menginterpretasikan informasi yang didapat dalam bentuk graph. Penelitian yang akan dilakukan merupakan langkah awal dari sebagian proses yang panjang untuk mewujudkan harapan tersebut.

Aplikasi ini masih memiliki keterbatasan dalam menganalisis frasa kata. Hal ini disebabkan oleh belum adanya modul yang tersedia. Untuk mengatasi hal tersebut, pada penelitian ini akan ditambahkan sebuah modul yang dapat menampilkan word graph frasa kata. Modul ini nantinya berfungsi untuk menampilkan setiap frasa kata yang ditemukan pada input frasa menjadi word graph frasa kata. Karena adanya fitur pembentukan kamus word graph pada BogorDelftConstruct, maka dikembangkan modul word graph frasa kata. Penelitian ini membuat modul word graph frasa kata pada sistem aplikasi BogorDelftConstruct berdasarkan aturan tersebut (Romadoni 2009).

Tujuan

(10)

aplikasi BogorDelftConstruct berdasarkan hasil analisis aturan dari penelitian sebelumnya.

Ruang Lingkup

Ruang lingkup untuk penelitian ini dibatasi pada pengembangan modul sistem aplikasi BogorDelftConstruct untuk membuat modul word graph frasa kata sesuai aturan-aturan pembentukan kata dari hasil analisis penelitian sebelumnya yang dilakukan oleh Mahmuda (2010). Berikut ini merupakan batasan – batasan sistem pada pengembangan yang dilakukan:

a Pada sistem ini yang menjadi masukan adalah 2 sampai 3 kata.

b Makna semantik dari frasa kata tidak diperhatikan.

c Penggambaran graph disesuaikan dengan sistem BogorDelftConstruct Deni Romadoni (2009).

Manfaat

Penelitian ini diharapkan dapat memberikan manfaat agar dapat memvisualisasikan makna suatu frasa kata yang direpresentasikan dalam bentuk word graph sehingga tidak terjadi ambiguitas.

TINJAUAN PUSTAKA

Natural Language Processing (NLP)

Secara umum, natural language atau bahasa alami (yang digunakan manusia) adalah metode dan sistem simbol yang paling banyak digunakan untuk mengekspresikan pikiran manusia dan pertukaran informasi. Terdapat sebuah pemisah antara bahasa formal atau bahasa buatan (yang digunakan oleh komputer) dan bahasa alami. Komunikasi antara komputer dan manusia hanya dimungkinkan ketika banyak penelitian yang bertujuan untuk menjembatani pemisah di antara keduanya (Zhang 2002). Secara alami menggambarkan dan memodelkan bahasa alami adalah dasar untuk perkembangan dari proses memaknai bahasa alami dan menentukan arah proses penelitian dari bahasa alami.

Proses memahami bahasa alami disebut parsing. Dalam melakukan parsing terhadap sebuah kalimat, diperlukan tata bahasa untuk menggambarkan bagian-bagian dari kalimat tersebut. Ada dua faktor yang diperhatikan dalam menganalisis sebuah kalimat, yaitu sintaksis dan semantik. Perbedaan sintaksis dan semantik adalah sintaksis melakukan analisis

berdasarkan bentuk dari sebuah kalimat sedangkan semantik menganalisis bagaimana mengartikan suatu kalimat (Hulliyah 2007).

Stemming

Stemming merupakan proses menemukan kata dasar dari suatu kata berimbuhan dengan membuang awalan (prefiks) dan akhiran (sufiks). Tujuannya adalah untuk menghemat media penyimpanan dan mempercepat proses pencarian kata (Liddy 2001).

Knowledge Graph (KG)

Teori KG adalah jenis sudut pandang baru, yang digunakan untuk menggambarkan bahasa manusia saat lebih memfokuskan pada aspek semantik daripada aspek sintatik. KG mempunyai kemampuan lebih kuat untuk mengekspresikan dan menggambarkan lebih dalam semantic layers. KG juga dapat meminimumkan penggunaan relation set dan menirukan pengertian dari jalan pikiran manusia (Zhang 2002).

KG sebagai bagian dari metode baru yang merepresentasikan pengetahuan, tergolong pada kategori semantic network. Dalam prinsipnya, KG tersusun dari concept (tokens dan types) dan relationship (binary dan multivariate relation) (Zhang 2002).

Concept

Representasi pemikiran yang 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

□

. Token menyatakan segala sesuatu yang kita alami dalam dunia nyata atau bahkan mengenai sebuah konsep dalam pikiran kita. Dalam metode KG segala sesuatu akan direpresentasikan atau digambarkan sebagai sebuah token (Zhang 2002) .

Type

Type adalah konsep yang berisi informasi umum. Type bersifat objektif karena merupakan hasil kesepakatan bersama (Zhang 2002).

Word Graph

(11)

Pluto EQU anjing

EQU ALI merupakan graph dari kata atau serangkaian

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 & Nurdiati 2008).

Aspek Ontologi

Ontologi adalah ilmu untuk menggambarkan beberapa konsep dan relasi-relasi diantaranya dengan maksud memberikan definisi yang cukup terhadap ide-ide yang dituangkan dengan komputer untuk merepresentasikan ide-ide tersebut dan logikanya (Hulliyah 2007). Berdasarkan ontologi yang dimiliki inilah KG dapat membangun sebuah model yang dapat digunakan untuk memahami bahasa alami. Hal ini diperlukan agar arti dari suatu kalimat dapat diekspresikan. Arti dari kata harus terlebih dahulu diketahui untuk dapat mengartikan sebuah kalimat (Rusiyamti 2008).

Ontologi word graph sampai saat ini direpresentasikan dengan sebuah node, 8 types binary relationship, dan 4 types n-ary relationship atau disebut juga frame relationship serta Ontologi F (Focus). Berikut ini adalah gambaran dari 8 types relationship (Zhang 2002) dan Ontologi F (Focus):

1 ALI (Alikeness)

Relasi ALI digunakan di antara dua token yang memilki unsur-unsur yang sama. Contoh penggunaan relasi ALI dapat dilihat pada Gambar 1.

Gambar 1 Contoh penggunaan relasi ALI.

2 CAU (Causality)

Relasi CAU mengekspresikan hubungan antara sebab dan akibat, atau sesuatu hal yang memengaruhi sesuatu yang lain. Contoh: “Ibu makan nasi”. Kalimat tersebut dapat dilihat pada Gambar 2.

Gambar 2 Contoh penggunaan relasi CAU.

3 EQU (Equality)

Relasi ini digunakan di antara dua token yang mengekspresikan keduanya adalah sama dan sederajat. Contoh: “anjing bernama Pluto”. Pernyataan tersebut dapat dilihat pada Gambar 3.

Gambar 3 Contoh penggunaan relasi EQU.

4 SUB (Subset)

Bila terdapat dua token yang mengekspresikan dua rangkaian secara berurutan dan satu token merupakan bagian dari token yang lainnya, di antara kedua token tersebut terdapat relasi SUB. Contoh: “ekor merupakan bagian dari kucing”. Pernyataan tersebut dapat dilihat pada Gambar 4.

Gambar 4 Contoh penggunaan relasi SUB.

5 DIS (Dissparatness)

Relasi DIS digunakan untuk mengekspresikan bahwa dua token tidak memiliki hubungan satu dengan yang lainnya. Contoh relasi DIS digunakan untuk menunjukan kata “berbeda”, misalnya: “air berbeda dengan minyak” dapat dinyatakan dengan graph yang diperlihatkan pada Gambar 5.

Gambar 5 Contoh penggunaan relasi DIS.

6 ORD (Ordering)

Relasi ORD mengekspresikan bahwa dua hal mempunyai urutan satu sama lain. Contoh penggunaan relasi ORD untuk menyatakan “pagi sampai sore”, ditunjukkan pada Gambar 6.

Gambar 6 Contoh penggunaan relasi ORD. ORD

sore

pagi ALI ALI

DIS

minyak

air ALI ALI

SUB

kucing

ekor ALI ALI

(12)

7 PAR (Attribute)

Relasi PAR mengekspresikan bahwa sebuah token adalah sebuah atribut dari token yang lain. Contohnya untuk menyatakan frasa “apel merah” . Pernyataan tersebut dapat dilihat pada Gambar 7.

Gambar 7 Contoh penggunaan relasi PAR.

8 SKO (Informational Dependency)

Relasi skolem (SKO) digunakan jika suatu token informasinya bergantung pada token yang lainnya. Contoh: pernyataan

y)

(x

N

y

N,

x

∈

∃

∈

=

∀

2

yang memuat universal quantifiers. Pada pernyataan tersebut nilai y bergantung pada x. Bentuk grafnya dapat dilihat pada Gambar 8.

Gambar 8 Contoh penggunaan relasi SKO.

9 Ontologi F (Focus)

Ontologi F digunakan untuk menunjukkan fokus dari suatu graf (Nurdiati & Hoede 2009). Ontologi F digunakan untuk menunjukkan kata atau kalimat yang diterangkan dalam suatu pernyataan (inti).

Sebuah frame adalah sebuah node yang diberikan label (Zhang 2002). Adapun untuk empat frame relationship dapat dijelaskan sebagai berikut:

1 FPAR: Focusing on a situation

FPAR mengekspresikan bahwa sekumpulan subgraph dari graph adalah bagian dari seluruh graph yang telah dibentuk. Misalkan dinyatakan bahwa a: “Adik Bahagia”. Pernyataan tersebut dapat dilihat pada Gambar 9.

Gambar 9 Contoh penggunaan frame FPAR.

2 NEGPAR: Negation of a situation

NEGPAR mengekspresikan peniadaan atau pengingkaran terjadinya isi dari frame. Misalkan diketahui a: “Adik Bahagia”. Frame

pada Gambar 10 menunjukkan bahwa adik tidak bahagia.

Gambar 10 Contoh penggunaan frame NEGPAR.

3 POSPAR : Possibility of a situation

POSPAR mengekspresikan kemungkinan terjadi dari isi frame. Misalkan diketahui a: “Adik Bahagia”. Frame pada Gambar 11 menunjukkan bahwa mungkin saja adik bahagia.

Gambar 11 Contoh penggunaan frame POSPAR.

4 NECPAR : Necessity of a situation

NECPAR mengekspresikan perlu, butuh atau keharusan terjadi dari isi frame. Misalkan diketahui a: “Adik Bahagia”. Frame pada Gambar 12 menunjukkan bahwa seharusnya adik bahagia.

Gambar 12 Contoh penggunaan frame NECPAR.

Ekspresi Semantik dengan KG

Dalam metode KG untuk membangun model pemahaman bahasa alami dibutuhkan kemampuan untuk menyatakan makna kata atau kalimat. Kemampuan untuk memahami makna kalimat harus disertai pemahaman makna setiap kata. Kemudian makna setiap kata disusun menjadi makna suatu kalimat secara keseluruhan (Zhang 2002).

Pemaknaan setiap kata menjadi dasar pembentukan word graph. Pemaknaan kata dinyatakan dalam bentuk hubungan antar konsep. Makna kata dalam metode KG membangun struktur arti sehingga dapat mengatasi ambiguitas.

SKO

y

x

ALI ALI

PAR

merah

(13)

Frasa Kata

Pike (1977) menyatakan bahwa frasa adalah perluasan kata. Wujudnya dua kata atau lebih. Tataran frasa urutannya ada di bawah klausa dan di atas kata (Cook 1969). Frasa dibentuk dari beberapa kata dan mengisi gatra pada tataran klausa. Jadi, beda kata dari frasa hanyalah kenyataan bahwa frasa merupakan perluasan dari kata atau dengan kata lain frasa adalah bentuk bahasa dimana kata menjadi unsur pembentuknya. Dalam frasa tunggal, kata adalah unsur langsungnya.

Frasa adalah satuan gramatikal berupa gabungan kata dengan kata bersifat nonprediktif. Menurut hubungan unsur dalam strukturnya, frasa dapat dibedakan atas:

1 Frasa Eksosentris

Sebuah frasa bersifat eksosentris bila hasil gabungan itu berlainan kelasnya dari unsur yang membentuknya (Keraf 1991). Konstruksi ini dapat dibedakan atas :

• Frasa eksosentris direktif

Dalam bentuk semacam ini sebuah unsur pembentuk frasa akan bertindak sebagai partikel, sedang unsur lainnya merupakan sumbu (aksis). Misalnya: mengalami penurunan dan pemerasan kopra.

• Frasa eksosentris konektif

Dalam bentuk ini salah satu unsurnya adalah konektor yang berfungsi sebagai penghubung antar unsur pembentuk frasa yang menjadi atribut predikat dengan subjeknya (Keraf 1991). Dalam hal ini atribut predikat tidak menerangkan konektornya, tetapi menerangkan subjeknya. Misalnya: menjadi tepung dan adalah keberagaman.

2 Frasa Endosentris

Sebuah frasa bersifat endosentris bila gabungan dua kata atau lebih yang menunjukkan bahwa kelas kata dari perpaduan itu sama dengan kelas kata dari salah satu (atau lebih) unsur pembentuknya (Keraf 1991). Kata yang kelas katanya sama dengan kelas kata penggabungan itu disebut inti atau pusat. Frasa endosentris dapat dibedakan menjadi:

• Frasa atribut atau subordinatif

Frasa atribut atau subordinatif adalah frasa yang salah satu dari unsur pembentuknya bertindak sebagai inti. Adapun unsur yang lainnya bertindak sebagai atribut dari inti.

Misalnya: kebun petani dan pendapatan petani.

• Frasa koordinatif

Frasa koordinatif adalah frasa yang unsur-unsur pembentuknya sama kedudukannya. Dalam tipe frasa ini, kelas dari gabungan itu sama dengan kedua atau lebih unsurnya. Misalnya: masuk keluar dan manis pahit.

Di samping berdasarkan hubungan unsur dalam strukturnya, frasa juga dapat dibedakan berdasarkan kelas kata yang menjadi inti frasa (Keraf 1991). Jenis frasa koordinatif adalah:

1 Frasa Nominal (FN)

Frasa nominal atau frasa kata benda adalah kelompok kata yang menyatakan atau menunjuk suatu benda. Inti frasa nominal adalah kata benda. Misalnya: modal bersama dan mutu tepung jagung.

2 Frasa Verbal

Frasa verbal atau frasa kata kerja adalah kelompok kata yang menyatakan tindakan atau perbuatan. Inti frasa verbal adalah kata kerja. Misalnya: dihadapi petani dan meningkatkan biaya pengendalian.

3 Frasa Adjektival

Frasa adjektival atau frasa kata sifat adalah kelompok kata yang menyatakan sifat atau keadaan. Inti frasa adjektival adalah kata sifat. Misalnya: tahan kekeringan dan putih bening.

4 Frasa Preposisional

Frasa Preposisional atau frasa kata depan adalah kelompok kata yang terdiri dari preposisi sebagai inti diikuti oleh kata atau kelompok kata lain terutama kata benda. Fungsi frasa preposisi antara lain menunjuk arah, tempat, dan waktu. Misalnya: di lapangan dan dari pangkal daun.

Gabungan antara kata dengan kata yang membentuk sebuah frasa menimbulkan pengertian baru atau mendukung sebuah relasi tertentu (Keraf 1991). Hubungan makna antar unsur yang membentuk frasa dapat berupa:

1 Relasi posesif adalah relasi yang menunjukkan hubungan pemilik. Kata kedua (pembatas) adalah pemilik kata pertama. Frasa ini dapat dipisahkan dengan kata milik dan kepunyaan. Misalnya: ”kemampuan petani” dan kandungan nutrisi jagung.

(14)

dibatasi. Frasa ini dapat dipecahkan dengan menyisipkan kata oleh dan yang dilakukan oleh. Misalnya: dihadapi petani dan ditampung pihak swasta.

3 Relasi objektif adalah relasi yang kata keduanya sebenarnya menjadi objek dari kata pertama. Frasa ini sebenarnya hasil substantivasi frasa objektif direktif. Frasa ini dapat dipecahkan dengan menggunakan kata akan, kepada, dan tentang. Misalnya: menghasilkan tekstur dan memenuhi kebutuhan pangan.

4 Relasi tujuan adalah relasi yang pembatasnya merupakan tujuan dari kata yang dibatasi. Frasa ini dapat dipecahkan dengan kata bagi, buat, guna, dan untuk. Misalnya: makanan rakyat dan untuk membeli solar.

5 Relasi keahlian adalah relasi yang pembatasnya merupakan keahlian dari kata yang dibatasi. Dapat digunakan kata dalam bidang untuk memisahkan frasa itu. Misalnya: petani kelapa dan dokter ahli saraf.

6 Relasi asal adalah relasi yang pembatasnya merupakan asal dari kata yang dibatasi. Frasa ini dapat dipecahkan dengan menyisipkan kata dari dan yang berasal dari. Misalnya: tenaga mesin dan dari pangkal daun.

7 Relasi partitif adalah relasi yang pembatasnya merupakan keseluruhan dari kata yang dibatasi atau kata yang dibatasi merupakan bagian dari pembatasnya. Parafrasa bentuk ini dapat dilakukan dengan menyisipkan kata dari. Misalnya: biji jagung.

8 Relasi material adalah relasi yang pembatasnya menyatakan materi yang dipakai untuk kata yang dibatasi. Dalam hal ini dapat digunakan kata dari dan dibuat dari untuk menyatakan hubungan itu secara eksplisit. Misalnya: tepung jagung dan minyak kelapa.

9 Relasi perbandingan adalah relasi yang pembatasnya merupakan perbandingan bagi kata yang dibatasi. Frasa ini dipisahkan dengan kata seperti dan bagaikan. Misalnya: berakar serabut dan putih susu.

10 Relasi instrumental adalah relasi yang pembatasnya merupakan alat bagi kata yang dibatasi. Relasi ini dapat dinyatakan dengan menggunakan kata dengan.

Misalnya: tumbuh baik dan dengan kehidupan masyarakat.

11 Relasi lokatif adalah relasi yang pembatasnya merupakan tempat atau tempat bekerja dari kata yang dibatasi. Kata yang dapat disisipkan untuk menyatakan hubungan ini secara eksplisit adalah di, pada, dan dalam. Misalnya: masyarakat Papua dan di kebun petani.

METODE PENELITIAN

Pada bab ini dibahas tahapan penelitian dalam proses pembentukan modul word graph frasa kata. Diagram proses penambahan modul word graph frasa kata dapat dilihat pada Gambar 13.

Mulai

Penambahan Modul Frasa Kata Studi Literatur

Penentuan Pola Hasil (Pengujian)

Analisis Hasil

Dokumentasi & Laporan

Selesai

(15)

Studi Literatur

Penelitian ini diawali dengan mengumpulkan bahan-bahan pustaka yang relevan dengan topik kajian penelitian. Penelitian ini mengkaji pembentukan modul word graph frasa kata sebagai bagian dari sistem aplikasi BogorDelftConstruct. Penelitian ini didasarkan pada penelitian sebelumnya, di antaranya skripsi Deni Romadoni (2009) yang berjudul “Pengembangan Sistem Pembentukan Word Graph untuk Teks Berbahasa Indonesia” dan Tesis Mahmuda (2010) yang berjudul “Konstruksi Pola Word Graph Frasa Kata Menggunakan Metode Knowledge Graph”. Hasil kajian dua penelitian sebelumnya digunakan untuk mengembangkan modul word graph frasa kata.

Penambahan Modul Frasa Kata

Terdapat beberapa tahapan pada proses penambahan modul frasa kata yaitu:

a Praproses

Tahapan praproses dilakukan untuk membatasi nilai input. Pertama akan dilakukan proses tokenisasi pada frasa kata yang berguna untuk memecah frasa kata. Setelah itu, frasa kata yang telah dipecah akan disimpan dalam

array sementara yang akan dihitung

panjangnya. Setelah frasa kata melalui tahap tokenisasi, frasa kata tersebut akan diperiksa panjang array-nya apakah panjang array sama dengan satu atau tidak. Jika panjang array frasa kata sama dengan satu, berarti input bukan merupakan frasa kata dan akan muncul pesan peringatan yang menyatakan bahwa input tidak akan diproses ke tahap selanjutnya. Jika panjang array lebih dari satu, frasa kata yang telah ditokenisasi akan diperiksa satu per satu apakah kata-kata tersebut mengandung nilai masukan selain karakter. Jika kata-kata tersebut mengandung nilai masukan selain karakter, akan muncul pesan peringatan dan frasa kata tidak akan diproses ke tahap selanjutnya.

b Ekstraksi Data Frasa Kata

Frasa kata yang telah melewati tahap praproses akan diekstraksi datanya yang berguna untuk pencarian pola frasa kata. Ekstraksi data frasa kata adalah proses pengambilan data frasa kata yang telah ditokenisasi berupa jenis kata, kata dasar, jenis kata dasar, dan imbuhan.

Pertama, array kata dari hasil tokenisasi akan diperiksa satu per satu ke dalam database kamus. Data yang dapat diambil dari database kamus adalah jenis kata dan kata dasar. Setiap

kata yang berhasil diekstraksi datanya akan disimpan dalam array StorageType{n} untuk jenis kata dan StorageBase{n} untuk kata dasar dengan indeks n sebagai penunjuk kata ke-n. Jika kata ke-n adalah kata dasar, kata tersebut langsung dikembalikan sebagai output-nya. Jika kata ke-n adalah kata berimbuhan, kata tersebut harus melalui proses stemming terlebih dahulu.

Proses stemming yang digunakan pada penelitian ini mengadopsi proses stemming yang telah dilakukan oleh Iqbal (2010). Proses stemming yang dilakukan Iqbal (2010) menggunakan KBBI yang telah disesuaikan. KBBI digunakan untuk memeriksa kata dasar hasil stemming. Pada penelitian ini KBBI selain digunakan untuk memeriksa kata dasar hasil stemming, juga digunakan untuk mengenali label dari kata dasar yang didapat dari hasil stemming.

Pada KBBI yang digunakan dalam penelitian ini dilakukan beberapa perubahan. Pada awalnya di dalam KBBI asli terdapat tiga field, yaitu: ‘Kata’, ‘Sifat’, dan ’Subkata’. Field ‘Kata’ berisi kata dasar sedangkan field ‘Subkata’ berisi kata turunan, yang terdiri dari kata berimbuhan dan kata berulang. Satu kata dasar dapat memiliki lebih dari satu subkata. Kata-kata tersebut disusun berdasarkan susunan alfabetis. Tiap-tiap kata ditulis dengan pemenggalan kata berdasarkan Pedoman Umum Ejaan Bahasa Indonesia yang Disempurnakan. Misalnya kata ‘mengandalkan’, dipenggal menjadi ‘meng.an.dal.kan’. Field ‘Sifat’ berisi label dari kata yang sesuai dengan konteks dan keperluannya. Label ragam bahasa, label kelas kata, label penggunaan bahasa yang menunjukkan dalam dialek mana kata yang bersangkutan digunakan, serta label bidang kehidupan dan bidang ilmu yang menunjukkan dalam bidang apa kata tersebut digunakan. Misalnya, label ‘n komp’ merupakan nomina (kata benda) yang digunakan pada bidang kehidupan dan bidang ilmu komputer.

(16)

Gambar 14 Contoh word graph yang dibentuk dalam workspace.

Kata yang telah melalui proses stemming akan disimpan output-nya, yang berupa imbuhan (awalan dan akhiran), ke dalam array StorageFix{n} dengan indeks n sebagai penunjuk kata ke-n.

Penentuan Pola Hasil (Pengujian)

Pada tahap ini, hasil dari

stemming yang berupa kata dasar dan imbuhan (afiks) akan dicocokkan dengan pola word graph frasa kata yang telah disimpan. Jika pengenalan polanya sesuai dengan pola word graph frasa kata yang telah disimpan, graph akan ditampilkan.

Pembentukan pola frasa kata disesuaikan dengan aturan-aturan pembentukan frasa kata yang telah dianalisis dalam penelitian Mahmuda (2010). Berdasarkan penelitian yang dilakukan, terdapat 69 aturan pembentukan pola word graph frasa kata. Pola-pola tersebut digolongkan berdasarkan makna semantik dan bentuk imbuhan yang terdapat pada kata tersebut sedangkan berdasarkan bentuk word graph yang sama terdapat 40 bentuk pola frasa kata. Gambar 14 memperlihatkan contoh sebuah word graph yang berhasil dibentuk pada workspace, yang menyatakan pernyataan “umur panen”.

Analisis Hasil

Pada tahap ini pola frasa kata yang telah terbentuk akan dianalisis, apakah telah sesuai dengan penelitian yang telah dilakukan oleh Mahmuda (2010) atau tidak. Sejumlah frasa kata dimasukkan untuk dijadikan skenario pengujian kemudian dihitung akurasinya. Penghitungan akurasi dilakukan dengan cara menghitung berapa banyak kata yang benar dalam pengujian dibagi dengan berapa banyak kata yang diuji.

x100% diuji yang kata benar yang kata akurasi

∑

=

Pengujian dilakukan dengan menggunakan metode pengujian black box. Pada metode pengujian black box, cara pengujian hanya dilakukan dengan menjalankan atau mengeksekusi unit atau modul. Kemudian

diamati apakah hasil dari unit itu sesuai dengan proses yang diinginkan.

Dokumentasi dan Laporan

Pada tahap ini akan dibahas hasil perhitungan keakuratan dari pengujian setiap pola. Jika didapati hasil akurasi yang rendah, akan dicari sumber permasalahannya. Di lain pihak, jika masalah yang dihadapi tidak dapat diatasi, masalah tersebut akan dimasukkan ke dalam saran untuk penelitian selanjutnya. Tahapan pengembangan modul word graph frasa kata dapat dilihat secara rinci pada Lampiran 3.

HASIL DAN PEMBAHASAN

BogorDelftConstruct merupakan perangkat lunak yang dikembangkan dengan berbagai fitur tambahan yang mendukung terbentuknya word

graph sesuai dengan konsep KG.

BogorDelftConstruct dikembangkan dengan bahasa pemrograman MATLAB. Pengembangan yang dilakukan pada penelitian ini dengan menambahkan modul frasa kata pada BogorDelftConstruct.

Batasan Sistem

Berikut ini merupakan batasan-batasan sistem pada pengembangan yang dilakukan:

a Pada sistem ini yang menjadi masukan hanyalah frasa kata yang terdiri atas dua sampai tiga kata.

b Sistem hanya mampu mengenali 40 pola dari 60 pola frasa kata berdasarkan bentuk word graph.

c Panel relationship inward dan outward hanya muncul pada beberapa pola tertentu. Karena tidak muncul untuk semua pola, maka panel relationship inward dan outward dihilangkan.

d Label dari kata dasar berdasarkan kamus.

Penambahan Modul Frasa Kata

Di dalam modul frasa kata terdapat beberapa proses, diantaranya:

a Praproses

(17)

yang telah ditokenisasi. Jika panjang array word{n} sama dengan satu, muncul pesan peringatan bahwa input tidak dapat diproses ke tahap selanjutnya. Jika panjang input tidak sama dengan satu, diperiksa apakah kata ke-n mengandung nilai masukan selain karakter. Jika kata ke-n mengandung nilai masukan selain karakter, muncul pesan peringatan bahwa input tidak dapat diproses ke tahap selanjutnya. Jika kata ke-n tidak mengandung selain karakter, frasa kata diproses ke tahap ekstraksi data.

b Ekstraksi Data Frasa Kata

Frasa kata yang telah melalui tahap praproses diperiksa ke dalam database kamus untuk diambil datanya. Database kamus yang digunakan adalah database KBBI yang telah disesuaikan. Data frasa kata berupa jenis kata, kata dasar, jenis kata dasar, dan imbuhan. Pertama, diperiksa setiap kata yang ada di array word{n}. Data jenis kata diambil dari tabel Entry pada field ’Category’ sedangkan data kata dasar diambil dari tabel Entry pada field ’Stem’. Jika kata ke-n merupakan kata dasar, output yang berupa jenis kata, kata dasar, jenis kata dasar, dan imbuhan langsung dikembalikan. Jika kata ke-n adalah kata berimbuhan, kata tersebut harus melalui proses stemming terlebih dahulu untuk mendapatkan data imbuhan.

Proses stemming yang digunakan pada penelitian ini mengadopsi proses stemming yang telah dilakukan oleh Iqbal (2010). Proses stemming tersebut mampu menangani masalah overstem dan understem dengan baik.

Proses stemming dengan KBBI dilakukan dengan langkah-langkah berikut:

1 Kata yang akan di-stem dicari apakah terdapat dalam KBBI atau tidak.

2 Jika kata tersebut ditemukan pada KBBI, akan diambil kata dasarnya pada field ‘Stem’ dan dimasukkan ke dalam daftar kandidat kata.

3 Jika kata tersebut tidak terdapat pada KBBI yang disesuaikan, kata tersebut akan diperiksa apakah mengandung imbuhan yang terdapat pada tabel Fixations atau tidak. Untuk setiap imbuhan yang terdapat pada tabel Fixations dilakukan proses pemotongan berurut sesuai dengan imbuhan-imbuhan yang terdapat pada tabel tersebut. Jika imbuhan tidak terdapat pada tabel Fixations, dilakukan proses stemming. 4 Setiap hasil pemotongan imbuhan

dimasukkan pada sebuah daftar kandidat kata. Setiap kata yang terdapat dalam

kandidat kata diperiksa apakah terdapat dalam KBBI yang disesuaikan atau tidak. Jika tidak ada satupun kata yang terdapat dalam KBBI yang disesuaikan, kata masukan sebelum di-stem dikembalikan. Jika terdapat lebih dari satu kandidat kata, semua kata yang ditemukan dikembalikan. Kata yang dikembalikan disertai label dari kata dasar hasil stemming.

Proses stemming dilakukan untuk semua kata pada array word{n} dan disimpan dalam array StorageFix{n} dengan indeks n adalah imbuhan kata ke-n. Array StorageFix{n} digunakan sebagai salah satu data untuk pencarian pola frasa kata.

Proses Pengenalan Pola

Setelah mendapatkan data yang diperlukan untuk pencarian pola frasa kata seperti array word{n}, StorageType{n}, StorageBase{n}, StorageFix{n}, dan bt{n}, frasa kata ditentukan pola word graph-nya. Penentuan pola word graph ini disesuaikan dengan aturan-aturan pembentukan frasa kata yang telah dianalisis dalam penelitian Mahmuda (2010).

Pola Word Graph Frasa Kata

Berdasarkan penelitian yang telah dilakukan oleh Mahmuda (2010), pola frasa kata berdasarkan bentuknya terdiri atas 60 pola. Namun, yang digunakan dalam penelitian ini hanya 40 pola saja. Dari 40 pola bentuk frasa kata terdapat 69 jenis aturan frasa kata. Beberapa pola dan aturan frasa kata dapat dilihat pada Tabel 1.

Tabel 1 Daftar pola dan aturan frasa kata

Pola Aturan

1 (N1+N2)1

2 (N1+N2 (pe-KB))

3 (N+V (ber-KS))

4 (N1 (ke-KS-an)+N2)

5 (N1 (pe-KK-an)+N2(pe-KB))

6 (N1 + (N2 + N3))

7 (N1 + (N2(pe-KB) + N3))

8 ((N1 + V) + N2)

(18)

Gambar 15 Menu frasa dictionary.

Gambar 17 Contoh sebuah word graph frasa kata yang polanya sesuai.

Gambar 16 Input box.

Daftar pola dan aturan frasa kata Tabel 1 dirujuk dari daftar pola yang terdapat pada Lampiran 5. Terdapat beberapa pola yang memiliki kemiripan aturan seperti (N1 + N2)1,

(N1 + N2)2, dan (N1 + N2)3. Perbedaan ketiga

pola tersebut terdapat pada relasinya. Jika pola tersebut ditandai dengan 1, relasi yang

digunakan adalah PAR. Jika ditandai dengan 2,

relasi yang digunakan adalah SUB. Jika ditandai dengan 3, digunakan relasi EQU. Suatu pola

dikatakan cocok jika pola yang didapat pada pencarian pola sesuai dengan aturan frasa kata. Untuk memeriksa apakah frasa kata yang dimasukkan sesuai dengan aturan frasa kata diperlukan pengujian.

Implementasi Antarmuka

Perancangan antarmuka sistem aplikasi BogorDelftConstruct yang dikembangkan tidak memiliki perbedaan signifikan. Gambar 15 memperlihatkan gambar menu Frasa Dictionary. Jika menu Frasa Dictionary ditekan, maka akan muncul input box. Gambar 16 memperlihatkan gambar input box, ketika menu Frasa Dictionary ditekan. Frasa kata yang akan dicari dimasukkan ke dalam input box. Setelah itu frasa kata tersebut akan diproses. Tampilan menu modul word graph frasa kata dapat dilihat pada Lampiran 2.

Proses yang pertama adalah praproses. Dalam praproses, frasa kata akan dipecah melalui proses tokenisasi dan input akan diperiksa apakah sebuah frasa kata atau bukan dan mengandung selain karakter atau tidak. Setelah dilakukan praproses, dilakukan ekstraksi data frasa kata. Ekstraksi data frasa kata menghasilkan beberapa array yaitu word{n}, StorageType{n}, StorageBase{n}, StorageFix{n}, dan bt{n}. Kemudian dilakukan pencarian pola frasa kata. Dalam modul frasa kata, jika ada input kata yang kata dasarnya tidak ada dalam database kamus, akan muncul pesan peringatan bahwa kata tidak ada dalam database. Pada graf yang ditampilkan, jika ada

fokus dari suatu token maka token tersebut diberi warna yang berbeda dari token lainnya. Gambar 17 memperlihatkan contoh sebuah word graph frasa kata yang polanya sesuai dengan aturan-aturan frasa kata yang telah diteliti oleh Mahmuda (2010). Pada Gambar 17 terdapat fokus pada sebuah token yang ditunjukkan oleh perbedaan warna. Word graph yang ditampilkan pada modul dapat dilihat secara rinci pada Lampiran 6.

Analisis Hasil

Hasil word graph frasa kata yang terbentuk secara otomatis dianalisis kesesuaiannya dengan pola berdasarkan aturan frasa kata pada penelitian Mahmuda (2010). Hasil pengujian dapat dilihat pada Tabel 2.

Tabel 2 Hasil pengujian aturan frasa kata

Pola Word Graph Jumlah Input Jumlah Input Benar Akurasi

Pola 1 23 23 100%

Pola 2 18 18 100%

Pola 3 6 6 100%

Pola 4 21 21 100%

Pola 5 10 10 100%

Pola 6 5 5 100%

Pola 7 5 5 100%

Pola 8 5 5 100%

Pola 9 5 5 100%

Pola 10 5 5 100%

Pola 11 5 5 100%

Pola 12 4 4 100%

Pola 13 5 5 100%

(19)

Tabel 2 (lanjutan) Pola Word Graph Jumlah Input Jumlah Input Benar Akurasi

Pola 15 5 5 100%

Pola 16 4 4 100%

Pola 17 7 7 100%

Pola 18 5 5 100%

Pola 19 5 5 100%

Pola 20 3 3 100%

Pola 21 4 4 100%

Pola 22 3 3 100%

Pola 23 4 4 100%

Pola 24 3 3 100%

Pola 25 4 4 100%

Pola 26 12 12 100%

Pola 27 4 4 100%

Pola 28 3 3 100%

Pola 29 28 28 100%

Pola 30 7 7 100%

Pola 31 6 6 100%

Pola 32 3 3 100%

Pola 33 4 4 100%

Pola 34 3 3 100%

Pola 35 4 4 100%

Pola 36 8 8 100%

Pola 37 4 4 100%

Pola 38 3 3 100%

Pola 39 4 4 100%

Pola 40 3 3 100%

Kolom “Jumlah Input” pada Tabel 2 adalah sejumlah frasa kata yang dimasukkan pada pengujian sedangkan kolom “Jumlah Input Benar” adalah input yang mengeluarkan output pola word graph yang sesuai dengan aturannya. Kolom “Akurasi” adalah hasil perhitungan ketepatan pengenalan pola frasa kata seperti yang telah dijelaskan pada bab metode penelitian.

Penjelasan detail mengenai pengujian masing-masing pola adalah sebagai berikut:

1 Pengujian Pola 1

Frasa kata yang diuji untuk Pola 1 (N1 + N2) adalah uang logam, umur manusia, isu politik, isu sosial, dan umur panen. Frasa kata yang diuji untuk Pola 1 (N + V) adalah daya beli, daya juang, dan jarak tanam. Frasa kata yang diuji untuk Pola 1(V + Adj) adalah bangkit mandiri, jalan santai, kerja baik, dan tumbuh baik. Frasa kata yang diuji untuk Pola 1 (N + Adj) adalah pihak swasta, gedung murah, kultur lokal, dan negara agraris. Frasa kata yang diuji untuk Pola 1 (Adj + N) adalah putih susu, kuning langsat, dan hitam manis. Frasa kata yang diuji untuk Pola 1 (Adj + Adj) adalah putih bening dan coklat masam. Total akurasi keseluruhan untuk Pola 1 adalah 100%.

2 Pengujian Pola 2

Frasa kata yang diuji untuk Pola 2 (N1 + N2(pe-KB)) adalah kebun peternak, lahan petani, rumah petani, tali pengikat, tali pengait, dan bahan pengikat. Sementara itu, untuk Pola 2 (N1 + N2(pe-KB-an)) frasa kata yang diuji adalah modal pengendalian, biaya

pemanfaatan, dan modal pemanfaatan

sedangkan untuk Pola 2 (N1 + N2(pe-KS-an) frasa kata yang diuji adalah modal penelitian, biaya pemenuhan, dan biaya pengosongan. Sementara itu, untuk Pola 2 (N1 + N2(pe-KK-an)) frasa kata yang diuji adalah uang pemerasan, biaya pengolahan, dan modal pengalaman sedangkan untuk Pola 2 (Adj + N(ke-KS-an)) frasa kata yang diuji adalah tahan kekeringan, tahan kekuatan, dan suka kelemahan. Total akurasi keseluruhan untuk Pola 2 adalah 100%.

3 Pengujian Pola 3

Frasa kata yang diuji untuk Pola 3 (N + V(ber-KS)) adalah modal bersama, modal berbeda, lahan bersama, lahan berbeda, komunikasi berbeda, dan tenaga bersama. Total akurasi keseluruhan untuk Pola 3 adalah 100%.

4 Pengujian Pola 4

(20)

(N1(pe-KK-an) + N2) frasa kata yang diuji adalah pengolahan kopra, pemerasan kelapa, dan pengalihan isu. Sementara itu, untuk Pola 4 (N1(pe-KB-an) + N2) frasa kata yang diuji adalah pemrosesan kelapa, pemanfaatan kelapa, dan pemanfaatan pisang sedangkan untuk Pola 4 (N1(pe-KB) + N2) frasa kata yang diuji adalah peternak sapi, petambak udang, dan petani jagung. Total akurasi keseluruhan Pola 4 adalah 100%.

5 Pengujian Pola 5

Frasa kata yang diuji untuk Pola 5 (N(pe-KK-an) + N(pe-KB)) adalah pengetahuan peternak, pengetahuan petani, pendapatan peternak, dan penjualan peternak. Sementara itu, frasa kata yang diuji untuk Pola 5(N(ke-KS-an) + N (pe-KB)) adalah kesejahteraan petani, kemandirian petani, kesulitan petani, kebaikan petani, kesejahteraan peternak, dan keraguan pengusaha. Total akurasi untuk Pola 5 adalah 100%.

6 Pengujian Pola 6

Frasa kata yang diuji untuk Pola 6 (N1 + (N2 + N3)) adalah dokter ahli saraf, sumber daya manusia, mutu tepung singkong, sarjana ahli pangan, dan sarjana ahli gizi. Total akurasi keseluruhan Pola 6 adalah 100%.

7 Pengujian Pola 7

Frasa kata yang diuji untuk Pola 7 (N1 + N2(pe-KB) + N3) adalah kelompok petani kelapa, organisasi peternak sapi, manusia pembunuh harimau, umur petani kelapa, dan minat peternak sapi. Total akurasi untuk Pola 7 adalah 100%.

8 Pengujian Pola 8

Frasa kata yang diuji untuk Pola 8 ((N1 + V) + N2) adalah daya juang pahlawan, daya tempuh mobil, daya jual produsen, daya makan raja, dan daya isap daun. Total akurasi untuk Pola 8 adalah 100%.

9 Pengujian Pola 9

Frasa kata yang diuji untuk Pola 9 (N1(KB-an) + N2 + N3) adalah kandungan nutrisi beras, kandungan gizi jagung, kandungan gizi beras, kandungan nutrisi jagung, dan peranan hama sawah. Total akurasi untuk Pola 9 adalah 100%.

10 Pengujian Pola 10

Frasa kata yang diuji untuk Pola 10 (N1(KK-an) + N2(ke-KS-an)) adalah dukungan kebaikan, dukungan kebijaksanaan, dukungan kelemahan, makanan kebaikan, dan minuman

kelemahan. Total akurasi untuk Pola 10 adalah 100%.

Frasa kata yang diuji untuk Pola 11 (N1(pe-KK-an) + N2 + N3) adalah pengolahan biji salak, pemanenan biji jagung, pemanenan buah mangga, pemberian kulit buah, dan pemberian anak presiden. Total akurasi untuk Pola 11 adalah 100%.

Frasa kata yang diuji untuk Pola 12 (N1(pe-KB-an) + (N2 + N3)) adalah pemanfaatan tepung beras, pemanfaatan biji jagung, pemanenan buah mangga, dan pertanian buah pisang. Total akurasi untuk Pola 12 adalah 100%.

Frasa kata yang diuji untuk Pola 13 (N1(pe-KS-an) + N2(ke-KK-an) + N3) adalah pemrosesan kebutuhan beras, pengosongan kebutuhan perut, pemenuhan singkong, pemenuhan kebutuhan anak, dan pemenuhan keperluan anak. Total akurasi untuk Pola 13 adalah 100%.

Frasa kata yang diuji untuk Pola 14 (N1 + N2 (KK-an)) adalah bahan minuman, mobil mainan, kualitas dukungan, kualitas minuman, dan kualitas makanan. Total akurasi untuk Pola 14 adalah 100%.

Frasa kata yang diuji untuk Pola 15 (N1(KK-an) + N2) adalah minuman rakyat, adukan terigu, tumpukan sampah, serangan hama, tanaman obat, bocoran soal, dan serangan gajah. Total akurasi untuk Pola 15 adalah 100%.

Frasa kata yang diuji untuk Pola 16 (N1 (KS-an) + N2) adalah lapangan bola, lapangan desa, dataran desa, dan dataran bola. Total akurasi untuk Pola 16 adalah 100%.

(21)

Frasa kata yang diuji untuk Pola 18 (N1 + N2) adalah biji jagung, nutrisi jagung, lereng gunung, biji padi, dan nutrisi padi. Total akurasi untuk Pola 18 adalah 100%.

Frasa kata yang diuji untuk Pola 19 (N1 + V(ber-KB)) adalah gedung bertingkat, umbi berlapis, kue berlapis, kertas berlapis, dan tangga bertingkat. Total akurasi untuk Pola 19 adalah 100%.

Frasa kata yang diuji untuk Pola 20 (N1 + N2) adalah masyarakat papua, masyarakat jawa, dan organisasi sunda. Total akurasi untuk Pola 20 adalah 100%.

Frasa kata yang diuji untuk Pola 21 (N1(pe-KB-an) + N2) adalah perekonomian Indonesia, perpolitikan asia, perpajakan Indonesia, dan perekonomian papua. Total akurasi untuk Pola 21 adalah 100%.

Frasa kata yang diuji untuk Pola 22 (N1(KS-an) + N2) adalah lapangan papua, lapangan jawa, dan dataran sunda. Total akurasi untuk Pola 22 adalah 100%.

Frasa kata yang diuji untuk Pola 23 (V(di-KK) + N) adalah dikenal manusia, dikenal masyarakat, dikenal dunia, dan dikenal orang. Total akurasi untuk Pola 23 adalah 100%.

Frasa kata yang diuji untuk Pola 24 (V(di-KB-i) + N (pe-KB)) adalah dihadapi peternak, dihadapi petambak, dan dihargai petani. Total akurasi untuk Pola 24 adalah 100%.

Frasa kata yang diuji untuk Pola 25 (V(di-KK) + N + Adj) adalah ditampung masyarakat swasta, dibuang pihak swasta, dijual pihak swasta, dan ditolak kultur lokal. Total akurasi untuk Pola 25 adalah 100%.

Frasa kata yang diuji untuk Pola 26 (V (meng-KK) + N) adalah membeli jagung, membeli solar, dan membangun gedung. Sementara itu, untuk Pola 26 (V (meng-KB) + N) frasa kata yang diuji adalah menjadi batang,

membentuk rumah, dan membangun gedung sedangkan untuk Pola 26 (V (meng-KK-kan) + N) adalah menyampaikan pesan, meninggalkan rumah, dan mencadangkan dana. Sementara itu, untuk Pola 26 (V (meng-KB-kan) + N) frasa kata yang diuji adalah mengendalikan hama, menghasilkan sampah, dan mengendalikan mobil. Total akurasi untuk Pola 26 adalah 100%.

Frasa kata yang diuji untuk Pola 27 (V(ber-KK) + N) adalah bertukar informasi, bertukar muka, bertukar rumah, dan bermain boneka. Total akurasi untuk Pola 27 adalah 100%.

Frasa kata yang diuji untuk Pola 28 (V(ber-KB) + N) adalah berakar daun, berbaju kaos, dan bernilai budaya. Total akurasi untuk Pola 28 adalah 100%.

Frasa kata yang diuji untuk Pola 29 (V(meng-KK-i) + N(pe-KK-an)) adalah mengalami penaikan, mengalami penurunan,

mengetahui penurunan, dan menggauli

perasaan. Sementara itu, untuk Pola 29 (V(meng-KK) + N(pe-KB-an)) frasa kata yang diuji adalah membeli peralatan, menjual peralatan, menjual kekayaan, dan memberi kekayaan sedangkan untuk Pola 29 (V(meng-KK-kan) + N(pe-KK-an)) frasa kata yang diuji adalah memberikan penghargaan, memberikan penghayatan, memberikan perhatian, dan menjualkan peralatan.

Untuk Pola 29 (V(meng-KK) + N(ke-KS-an)) frasa kata yang diuji adalah mengganggu

kesehatan, mengganggu kenyamanan,

mendukung kesabaran, dan mendukung

kebenaran sedangkan untuk Pola 29 (V(meng-KB-i) + N(ke-KS-an)) frasa kata yang diuji adalah mengatasi kemiskinan, mengatasi kesakitan, mengatasi keraguan, dan mengatasi kebimbangan. Sementara itu, untuk Pola 29 (V(ber-KB-kan) + N(pe-KK-an)) kata yang diuji adalah berdasarkan pengalaman,

berdasarkan pengetahuan, berdasarkan

perhatian, berdasarkan pemasukan, dan berdasarkan pengeluaran sedangkan untuk Pola 29 (V(meng-KK) + N(ke-KK-an)) frasa kata yang diuji adalah mengambil keputusan,

membawa keperluan, dan mengambil

(22)

Frasa kata yang diuji untuk Pola 30 (V(meng-KK) + ( N1 + N2)) adalah menjadi isu budaya, membuat isu politik, dan membeli modal uang. Sementara itu, untuk Pola 30 (V(meng-KK-kan) + (N1 + N2)) frasa kata yang diuji adalah menaikkan tenaga mesin dan menyampaikan informasi mesin sedangkan untuk Pola 30 (V(meng-KB-kan) + (N1 + N2)) frasa kata yang diuji adalah menghasilkan tepung jagung dan mensyaratkan kadar air. Total akurasi untuk Pola 30 adalah 100%.

Frasa kata yang diuji untuk Pola 31 (V(meng-per-KK-i) + N1 + N2(KK-an)) adalah memperbaiki kualitas lingkungan, memperbarui kualitas lingkungan, dan memperbaiki kualitas sungai. Sementara itu, untuk Pola 31 (V(meng-KB-kan) +N1+ N2(KK-an)) frasa kata yang diuji adalah menggunakan bahan minuman,

menggunakan tepung perasan, dan

menggunakan bahan makanan. Total akurasi untuk Pola 31 adalah 100%.

Frasa kata yang diuji untuk Pola 32 (V(meng-KB-kan) + (N1 + N2(pe-KB-an)) adalah menggunakan biaya pengendalian,

memanfaatkan kolam pembibitan, dan

memanfaatkan biaya perhatian. Total akurasi untuk Pola 32 adalah 100%.

Frasa kata yang diuji untuk Pola 33 (V(meng-KK) +N1+ V(ber-KS)) adalah menghimpun modal bersama, menghimpun modal berbeda, mengelola lahan berbeda, dan mengelola modal bersama. Total akurasi untuk Pola 33 adalah 100%.

Frasa kata yang diuji untuk Pola 34 (V(meng-KB-kan) + (N1(KS-an) + N2)) adalah meningkatkan lapangan kerja, menciptakan dataran bola, dan menggunakan lapangan bola. Total akurasi untuk Pola 34 adalah 100%.

Frasa kata yang diuji untuk Pola 35 (V(meng-KK) +N1+ V(KK-an)) adalah menyangkut makanan rakyat, menyangkut minuman rakyat, menyangkut batasan wilayah, dan menjadi tuntutan karakter. Total akurasi untuk Pola 35 adalah 100%.

Frasa kata yang diuji untuk Pola 36 (V(meng-KB) + (N1(ke-KS-an) + N2)) adalah

menjadi kekuatan pangan, membangun

kekuatan otot, dan merusak ketahanan pangan. Sementara itu, untuk Pola 36 (V(meng-KS) + (N1(ke-KK-an) + N2)) frasa kata yang diuji adalah memenuhi kebutuhan nasi, mencukupi kekuatan otot, dan mencukupi kebutuhan nasi sedangkan untuk Pola 36 (V(meng-KB-kan) + (N1(ke-KS-an) + N2)) frasa kata yang diuji adalah mewujudkan kekuatan otot dan menjadikan kemandirian pangan. Total akurasi Pola 36 adalah 100%.

Frasa kata yang diuji untuk Pola 37 (V(meng-KB-kan) + N1(ke-KS-an) +V(ber-KK)) adalah melakukan kegiatan berburu, melakukan kegiatan berlari, melakukan kegitan berjalan, dan melakukan kegemaran berburu. Total akurasi untuk Pola 37 adalah 100%.

Frasa kata yang diuji untuk Pola 38 (V(meng-KB-kan) + (N1(pe-KK-an) + N2(pe-KB))) adalah meningkatkan pendapatan petambak, mewujudkan pendapatan petani, dan menciptakan pengolahan petani. Total akurasi untuk Pola 38 adalah 100%.

Frasa kata yang diuji untuk Pola 39 (V(ber-KK) + Adj) adalah berjalan efektif, berjalan santai, bekerja santai, dan berjalan mulus. Total akurasi untuk Pola 39 adalah 100%.

Frasa kata yang diuji untuk Pola 40 (V1(ter-KK) + V2(meng-KS)) adalah tersebar meluas, teraduk merata, dan tercampur melebar. Total akurasi untuk Pola 40 adalah 100%.

Analisis Hasil Pengujian Keseluruhan

(23)

Pada Pola 18, Pola 20, Pola 21 dan Pola 22 terdapat kasus khusus. Pola-pola tersebut merupakan pola dengan relasi SUB dan EQU. Pola yang menggunakan relasi SUB digunakan sebuah file text (txt) untuk menyimpan frasa kata yang termasuk dalam pola tersebut. Hal tersebut dikarenakan adanya keterkaitan antara kata pertama dan kata kedua sehingga dibutuhkan pengenalan semantik, misalnya frasa kata biji jagung. Frasa kata biji jagung memiliki keterkaitan antara biji dan jagung sehingga mempunyai makna tersendiri sedangkan komputer tidak dapat memahami makna tersebut secara instan.

Pola yang menggunakan relasi EQU juga menggunakan file text (txt). Kata-kata yang termasuk dalam relasi EQU adalah nama-nama tempat seperti Papua, Indonesia, dan Jawa. Sementara itu, komputer tidak dapat membedakan mana nama tempat dan mana yang bukan nama tempat secara instan. Kekurangan lainnya adalah, modul tidak dapat mengenali pola sebuah frasa kata jika kata dasar dari frasa kata tersebut tidak ada dalam KBBI. Daftar input frasa kata yang digunakan untuk pengujian dapat dilihat pada Lampiran 4.

Analisis Kekurangan dan Kelebihan Pengembangan Modul Word Graph Frasa Kata

Kekurangan modul word graph frasa kata ini, seperti yang telah disebutkan pada subbab ruang lingkup. Modul word graph frasa kata hanya dapat memuat dua sampai tiga kata. Selain itu, modul ini tidak memuat frasa kata preposisi dan harus menggunakan file text (txt) untuk mencari pola yang berelasi SUB dan EQU.

Kekurangan lain pada modul word graph frasa kata ini adalah pola – pola bentuk word graph tidak persis sama dengan word graph yang ada pada penelitian Mahmuda (2010). Hal tersebut dikarenakan penggambaran pola disesuaikan dengan penelitian Deni Romadoni (2009).

Kelebihan pengembangan modul kamus word graph frasa kata ini adalah menjadi langkah maju untuk mengembangkan sistem aplikasi BogorDelftConStruct yang tidak hanya berfungsi sebagai graph editor yang berbasis metode KG tetapi juga berguna sebagai tools yang mampu melakukan peringkasan teks secara otomatis sebagai manfaat jangka panjang. Kelebihan penggunaan fungsi dalam menampilkan graf adalah sistem tidak terbebani

untuk selalu menyimpan pola-pola word graph frasa kata.

KESIMPULAN DAN SARAN

Kesimpulan

Pengembangan modul pembentukan word graph frasa kata telah mampu mengenali 40 pola word graph frasa kata sesuai dengan penelitian Mahmuda (2010). Pengujian modul untuk pola word graph frasa kata secara keseluruhan menghasilkan akurasi 100%. Meskipun memiliki akurasi yang baik sistem ini masih memiliki kekurangan. Salah satunya adalah sistem ini hanya mampu mengenali masukan sepanjang 2 sampai 3 kata. Sementara itu, sistem ini secara garis besar telah cukup berhasil karena telah mampu membangkitkan pola aturan word graph frasa yang sesuai dengan hasil penelitian yang dilakukan Mahmuda (2010).

Saran

Saran dalam penelitian ini antara lain:

1 Pembuatan aturan stemming yang lebih baik sehingga mampu menghasilkan kata dasar yang sesuai atau yang diinginkan terutama untuk kata sifat berimbuhan asing.

2 Pengenalan pola yang menggunakan relasi SUB atau EQU masih membutuhkan file text (txt) sehingga pada penelitian selanjutnya dapat dibuat lebih dinamis dengan menggunakan database.

DAFTAR PUSTAKA

Cook, WA. 1969. Introduction to Tagmemics Analysis. London: Holt, Rinehart and Winston.

Hoede C, Nurdiati S. 2008. On Word Graphs and Structural Parsing, Memorandum No. 1871, Departement of Applied Mathematics, University of Twente, Enschede, The Netherlands, ISSN: 1874-4850, (2008).

Hulliyah K. 2007. Rekayasa Memahami Teks Menggunakan Metode Knowledge

Graph [tesis]. Bogor: Sekolah

Pascasarjana, Institut Pertanian Bogor.

(24)

Liddy E. 2001. How a Search engine Works.

[terhubung berkala]

http://www.infotoday.com/searcher/may 01/liddy.htm [05-08-2009]

Mahmuda. 2010. Konstruksi Pola Word Graph Frasa Kata Menggunakan Metode Knowledge Graph [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Nurdiati S, C Hoede. 2009. Word Graph Construction of Certain Aspects of Indonesian Language. Supplementary Proceedings of the 17th International Conference on Conceptual Structures. Moscow, Russia.

Pike, Kenneth L, Evelyn GP. 1977. Gramatical Analysis. Dallas: Summer Institute of Linguistics.

Romadoni D. 2009. Pengembangan Sistem Pembentukan Word graph Untuk Teks Berbahasa Indonesia [skripsi]. Bogor.

Rusiyamti. 2008. Analisis Teks Berbahasa Indonesia Mengunakan Teori Knowledge

Graph [tesis]. Bogor: Sekolah

Pascasarjana, Institut Pertanian Bogor.

(25)

(26)

Lampiran 1 Splash screen DelftConstruct

Lampiran 2 Tampilan menu modul word graph frasa kata

(27)

Lampiran 3 Diagram alir pengembangan modul word graph frasa kata

Mulai

Frasa

Baca Input Frasa

Kata kata yang sudah dipecah

Stemming Kata

Kata Dasar dan

Imbuhan

Cek kata per kata dalam KBBI yang disesuaikan

Pengenalan aturan pola

frasa kata

Pola

frasa kata Pembangkitan

graf dari pola yang memenuhi

kondisi Menampilkan

graf Selesai

Input valid Tokenisasi

Frasa

Tampilkan pesan peringatan T

Kata kata yang valid Setiap kata

valid?

(28)

Lampiran 4 Pola word graph frasa kata

Pola Frasa

Kata Word Graph

Pola ke-1

Pola ke-2

Pola ke-3

Pola ke-4

Pola ke-5

ALI SKO

KK/KS

N1(pe-KK-an)

ALI ALI

N1(pe-KB) ALI

KB SKO PAR

ALI SKO

KD N1(ke-KS-an)

ALI ALI

N1 V(ber-KS)

ALI ALI

KS N1

ALI PAR

N2(pe-KB)

ALI ALI

SKO

KD N1/Adj

ALI PAR

PAR

N2/V/Adj

N1/V/Adj ALI ALI

(29)

Lampiran 4 (lanjutan)

Pola Frasa

Kata Word Graph

Pola ke-6

Pola ke-7

Pola ke-8

Pola ke-9

ALI

N2 ALI

KB

SKO PAR

N1(KB-an)

ALI

N3 ALI ALI

ALI PAR

V FN (N1+V)

ALI PAR

N1 N1

ALI ALI

PAR

N2(pe-KB) ALI

KB

SKO PAR ALI _N3

N1

ALI ALI

FN(N2+N3)

ALI ALI

PAR

N2 N1

PAR

(30)

Pola Frasa Kata

Word Graph

Pola ke-10

Pola ke-11

Pola ke-12

Pola ke-13

ALI ALI

SKO

KS

N1(pe-KS-an) ALI

ALI N2(ke-KK-an)

ALI N3 SKO

PAR

ALI KK

PAR

FN(N2(ke-KK-an)+N3 ALI

SKO

KB

N1(pe-KB-an)

ALI ALI

FN(N2+N3) ALI

N2 PAR PAR

ALI N3 ALI

SKO

KK

N1(pe-KK-an)

ALI ALI

FN(N2+N3) ALI

N2 SUB PAR

ALI N3 ALI

CAU

KK

N1(KK-an) ALI

ALI N2(ke-KS-an) ALI

(31)

Pola Frasa Kata

Word Graph

Pola ke-14

Pola ke-15

Pola ke-16

Pola ke-17

Pola ke-18 SUB

N

N1 ALI ALI

ALI SKO

KS

N1(ke-KS-an)

ALI ALI

N2(ber-KK) ALI KK PAR

N1(KS-an)

ALI PAR

KS

ALI PAR

N2 ALI N1(KK-an)

ALI CAU

KK

ALI PAR

N2 ALI ALI

N2(KK-an)

ALI ALI

CAU

KK N1

(32)

Pola Frasa Kata

Word Graph

Pola ke-19

Pola ke-20

Pola ke-21

Pola ke-22

Pola ke-23

Pola ke-24

ALI CAU

KB

V(di-KB-i)+N(pe-KB)

ALI ALI

N(pe-KB) ALI KB

SKO CAU

ALI CAU

KK V(di-KK)+N

CAU

ALI

ALI N N1(KS-an)

ALI PAR

KS

ALI PAR

N2 EQU N1(pe-KB-an)

ALI SKO

KB

ALI PAR

N2 EQU PAR

N2

N1 ALI EQU

ALI

V(ber-KB)

ALI ALI

PAR

KB N

(33)

Pola Frasa Kata

Word Graph

Pola ke-25

Pola ke-26

Pola ke-27

Pola ke-28

Pola ke-29

ALI CAU

KK V

ALI

ALI N(pe-KB-an) ALI

KB SKO V(ber-KB)

ALI PAR

KB ALI

CAU

N ALI N

ALI ALI

KK V(ber-KK) ALI

CAU ALI CAU

KK/KB

V(meng-KK) ALI ALI

N CAU ALI

CAU

KK

V(di-KK)+FN(N+adj)

ALI ALI

FN(N+Adj) ALI

N PAR CAU

Adj ALI

(34)

Pola Frasa Kata

Word Graph

Pola ke-30

Pola ke-31

Pola ke-32

ALI ALI

CAU

KB

V(meng-KB-kan) ALI

ALI N2(pe-KB-an)

ALI KB PAR CAU

ALI N1

SKO

FN(N1+N2(pe-KB-an)) ALI ALI

CAU

KK/KB

V(meng-per-KK-i)+FN(N1+N2(K K-an))

ALI

ALI N2(KK-an) ALI

KK PAR CAU

ALI N1

PAR

FN(N1+N2(KK-an)) ALI

CAU

KK V

ALI

ALI FN(N1+N2) ALI

N1 PAR CAU

(35)

Pola Frasa Kata

Word Graph

Pola ke-33

Pola ke-34

Pola ke-35

CAU

ALI CAU

N1(KK-an) ALI

KK

CAU PAR ALI _N2

KK

ALI

FN(N1(KK-an) + N2 ALI

V(meng-KK) ALI

CAU

ALI CAU

N1(KS-an) ALI

KS

PAR PAR ALI N2

KB

ALI

FN(N1(KS-an) + N2 ALI

V(meng-KB-kan) ALI

ALI ALI

CAU

KK

V1(meng-KK) ALI

ALI FN(N+V2(ber-KS)) ALI

N PAR

ALI KS CAU

(36)

Pola Frasa Kata

Word Graph

Pola ke-36

Pola ke-37

CAU

ALI