IMPLEMENTASI QUESTION ANSWERING SYSTEM DENGAN METODE RULE-BASED PADA BANYAK DOKUMEN BERBAHASA INDONESIA ROMAIDA DOLAROSA SIANTURI

(1)

BERBAHASA INDONESIA

ROMAIDA DOLAROSA SIANTURI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

memberikan kepadamu hari depan yang penuh harapan. Dan apabila kamu berseru dan datang untuk

berdoa kepada-Ku, maka Aku akan mendengarkan kamu; apabila kamu mencari Aku, kamu akan

menemukan Aku; apabila kamu menanyakan Aku dengan segenap hati, Aku akan memberi kamu

menemukan Aku, demikianlah firman TUHAN

Yeremia 29 : 11-14a

Kupersembahkan untuk Yesus Kristus, Bapak, Mama,

serta Adik-adikku tercinta

(3)

BERBAHASA INDONESIA

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Oleh:

ROMAIDA DOLAROSA SIANTURI

G64103003

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(4)

Rule-Based pada Banyak Dokumen Berbahasa Indonesia. Dibimbing oleh JULIO ADISANTOSO

DAN SONY HARTONO.

Question Answering System (QAS) menggunakan metode rule-based dapat diterapkan untuk

membangun sistem temu kembali jawaban atas pertanyaan dari banyak dokumen berbahasa Indonesia. Dengan memasukkan kueri berupa pertanyaan ke dalam sistem, maka sistem akan mengembalikan suatu kalimat sebagai jawabannya.

Proses penemukembalian jawaban dimulai dengan memecah (parsing) suatu dokumen menjadi kalimat-kalimat. Kalimat-kalimat tersebut dipecah dan di-stem menjadi token-token. Begitu pula dengan kalimat pertanyaan pada kueri dipecah dan di-stem menjadi token-token. Token-token dari setiap kalimat dokumen maupun kalimat kueri diproses dalam rule sesuai dengan tipe pertanyaannya. Dalam penelitian ini digunakan lima tipe pertanyaan, yaitu: APA, SIAPA, KAPAN, MANA, dan MENGAPA. Proses di dalam rule itu memberikan nilai untuk masing-masing kalimat dokumen. Kalimat yang memiliki nilai tertinggi akan dikembalikan sebagai kalimat jawaban. Semakin besar hasil persentase jumlah kalimat relevan yang ditemukembalikan terhadap jumlah kalimat yang ditemukembalikan, maka kinerja sistem akan semakin baik. Kalimat jawaban yang dikembalikan bisa lebih dari satu karena ada kemungkinan beberapa kalimat yang memiliki nilai yang sama.

Dari evaluasi sistem, kinerja sistem sangat berbeda satu sama lain. Kueri pertanyaan “KAPAN”, “MANA” dan “SIAPA”, kinerja sistem tertinggi dicapai dengan penggunaan nilai ambang batas 26, akurasi rata–ratanya adalah 67,88%. Sementara untuk kueri pertanyaan “MENGAPA” kinerja sistem tertinggi yitu 64,19% dicapai dengan penggunaan nilai ambang batas 7 dan untuk kueri pertanyaan “APA” kinerja sistem tertinggi yitu 25,88% dicapai dengan penggunaan nilai ambang batas 9. Dari evaluasi berdasarkan rule, rule “KAPAN” mempunyai kinerja paling tinggi dengan nilai Recall Precision tertinggi sebesar 0,93.

(5)

Nama : Romaida Dolarosa Sianturi

NRP : G64103003

Menyetujui:

Pembimbing I

Ir. Julio Adisantoso, M.Kom.

NIP 131578807

Pembimbing II

Sony Hartono Wijaya, S.Kom.

NIP

Mengetahui:

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Dr. drh. H. Hasim, DEA.

NIP 131578806

(6)

bersaudara, anak pasangan Bapak Romulus Sianturi dan Ibu Damaris br. Purba. Tahun 2003, penulis lulus dari SMUN 1 Tanah Jawa dan pada tahun yang sama, melalui jalur Undangan Seleksi Masuk IPB, menjadi mahasiswa Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Pada tahun 2006, penulis menjalankan praktek lapangan di Pusat Informasi Konservasi Alam Bogor selama kurang lebih dua bulan dengan bidang kajian Sistem Informasi Laporan Kawasan Konservasi (SILKK) Lingkup Direktorat Jendral Perlindungan Hutan dan Konservasi Alam. Selama mengikuti perkuliahan, penulis pernah aktif di Persekutuan Mahasiswa Kristen (PMK), Komisi Pembinaan dan Pemuridan (KPP) dan Tim Kelompok Kecil Pemuridan (KKP).

(7)

sehingga tugas akhir dengan judul Implementasi Question Answering System dengan Metode

Rule-Based pada Banyak Dokumen Berbahasa Indonesia ini dapat diselesaikan.

Penulis menyadari bahwa selesainya penulisan karya ilmiah ini tidak terlepas dari pihak-pihak yang telah banyak membantu. Oleh karena itu penulis ingin mengucapkan terima kasih kepada :

1. Bapak, Mama, Adek Iman, Adek Uli, adek Jaya serta keluarga besarku yang selalu mendoakan, memberikan kasih sayang, dan dukungannya kepada penulis.

2. Bapak Ir. Julio Adisantoso, M.Kom. selaku pembimbing I, Sony Hartono Wijaya, S.Kom. selaku pembimbing II yang telah memberikan bimbingan, wawasan, saran, dan kritik yang membangun bagi penulis selama pengerjaan tugas akhir ini, serta Ibu Dr. Ir. Sri Nurdiati, M.Sc. yang telah menjadi penguji.

3. Pegawai Tata Usaha Departemen Ilmu Komputer yang sudah banyak membantu saya dalam mengurus seminar dan sidang, Pak Yadi, Pak Pendi, Pak Soleh dan Bapak/ Ibu yang namanya tidak dapat Saya sebutkan satu persatu.

4. Robinhot Dapinardo Purba, atas doa, kesabaran, cinta kasih dan dukungan yang selalu diberikan kepada penulis.

5. Kak Dikta yang udah sabar banget ngajarin aku VB.Net. Semangat untuk nyelesain skripsinya yah Kak. Good Luck!

6. Anak-anak Kelompok Kecilku, Jane, Riris, Veranova. Aku mengasihi kalian dan trimakasih untuk banyak hal yang telah kalian berikan dan kita alami bersama-sama. 7. Saudara Kelompok Kecilku, Besty dan Junika. I love u, sist. Mom, K’Olly & K’Ochi.

Bersama kalian membuatku semakin dewasa dalam Dia. Thanx for all.

8. Tim KKP, Lenny, Jim’s, Iwan, Ance, Yohana, Fitri, Dony, Ricky dan yang baru-baru. Trim’s untuk kerjasama selama dalam Tim. It’s sweet to serve The Lord. KKP selamanya yah.

9. Keluarga PERKANTAS Bogor dan semua pengurus PMKB atas dukungan doa dan pengertian yang diberikan selama menyelesaikan skripsi ini.

10. Seluruh anggota PMK IPB (teman-temanku angkatan 40, kakak-kakak,abang-abang dan adik-adik kelas), KPPers (Pengurus 40 dan adik-adik yang pernah aku layani). Trimakasih atas kebersamaan selama ini. Pembentukan yang Tuhan izinkan lewat pelayanan, pembinaan dan banyak hal yang kualami bersama-sama dengan kalian. 11. Mega, Ines, Duma, Freddy, Tono, Tumpal, atas kasih persaudaraan yang sudah

terjalin diantara kita.

12. Teman-teman di Wisma Milenium: Vivi cayang, Arti, Mba Pita, Mba Erni, Mba Erna, Essa, Arma, Anin, Angela, dan semua anak kosan, atas canda tawa, dukungan dan kebersamaan selama ini. Sukses buat semuanya.

13. Chita, Amel, Teh Arum, Gibhta, Risa, Tera dan semua Ilkomerz 40. 14. Dan pihak-pihak lain yang tidak dapat disebutkan satu persatu.

Sebagaimana manusia yang tidak luput dari kesalahan, penulis menyadari bahwa karya ilmiah ini jauh dari sempurna. Namun penulis berharap semoga tulisan ini dapat bermanfaat, amin.

Bogor, Juli 2008

(8)

DAFTAR ISI

Halaman

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... ix

DAFTAR LAMPIRAN ... ix

PENDAHULUAN ... 1

Latar Belakang ... 1 Rumusan Masalah ... 1 Tujuan ... 1 Ruang Lingkup ... 1 Manfaat ... 2

TINJAUAN PUSTAKA ... 2

Temu Kembali Informasi ... 2

Kalimat ... 2

Question Answering ... 2

QUARC (Question Answering System for Reading Comprehension) ... 2

Parsing ... 3

Stemming ... 3

Ambang Batas Nilai (Treshold of Score) ... 3

Recall Precision ... 3

METODE PENELITIAN ... 4

Gambaran Umum Sistem ... 4

Identifikasi Tipe Pertanyaan ... 4

Pengelompokan Tipe Jawaban ... 5

Temu Kembali Jawaban ... 5

Evaluasi Question Answering System ... 5

Asumsi ... 5

Lingkungan Implementasi ... 6

HASIL DAN PEMBAHASAN ... 6

Koleksi Dokumen Pengujian ... 6

Indexing ... 6

Algoritme Rule ... 7

Parsing dan WordMatch ... 8

Hasil Percobaan ... 8

Evaluasi Question Answering System Berdasarkan Ambang Batas Nilai (Treshold of Score) .... 8

Evaluasi Sistem Berdasarkan Rule ... 9

Kelebihan dan Kekurangan Sistem ... 10

KESIMPULAN DAN SARAN ... 10

Kesimpulan ... 10

Saran ... 11

DAFTAR PUSTAKA ... 11

(9)

DAFTAR TABEL

Halaman

1 Struktur tabel tb_dokumen ... 6

2 Struktur tabel tb_kalimat ... 6

3 Struktur tabel tb_kata ... 7

DAFTAR GAMBAR

Halaman 1 Pengukuran Ketepatan Sistem ... 4

2 Gambaran Umum Sistem. ... 4

3 Persentase Hasil yang Benar ... 9

4 Recall Precision ... 9

DAFTAR LAMPIRAN

Halaman 1 Relevance Judgement ... 13

2 Hasil Indexing sebagai basis data dan data uji sistem ... 39

(10)

Sistem temu kembali informasi saat ini sudah sangat berkembang. Berbicara mengenai temu kembali informasi sangat erat kaitannya dengan search engine. Google menjadi salah satu search engine yang paling populer karena berbagai kemudahan yang ditawarkan kepada pengguna misalnya kueri yang hanya menggunakan kata atau kalimat dalam pencarian informasinya. Namun kadang kala, informasi yang ditemukembalikan kurang relevan dengan kebutuhan pengguna. Berbeda dengan Google, saat ini juga

sudah banyak dikembangkan search engine yang memiliki fitur kueri berupa pertanyaan atau yang sering dikenal dengan Question

Answering System misalnya www.Ask.com

dan www.answerbus.com. Pengguna memasukkan kueri berupa pertanyaan bukan berupa kata atau kalimat saja. Dengan adanya fitur kueri berupa pertanyaan, informasi yang dikembalikan dapat lebih spesifik sesuai dengan kebutuhan pengguna.

Question Answering System (QAS) dapat

diterapkan untuk membangun sistem temu kembali jawaban atas pertanyaan dalam suatu bacaan. Dengan memasukkan kueri berupa pertanyaan, akan diperoleh sebuah kalimat sebagai jawabannya. Misalnya dengan kueri “Apa komputer itu?”, kalimat yang mungkin akan dikembalikan sebagai jawaban adalah : “Komputer adalah alat yang dipakai untuk mengolah informasi menurut prosedur yang telah dirumuskan”. Kalimat jawaban sesuai dengan bacaan yang dipilih. Dengan bacaan yang berbeda, tentu jawaban yang dikembalikan akan berbeda.

Ballesteros & Xiaoyan-Li (2007) telah mengimplementasikan Question Answering yang digunakan untuk monolingual English dan Chinese QA. Dalam mengembalikan kalimat jawaban atau informasi yang relevan, pemberian skor pada koleksi dokumen dilakukan secara heuristic dan bergantung pada syntactic factor yang didefenisikan sebagai aturan-aturan untuk mengidentifikasi kandidat kalimat relevan atau kalimat jawaban.

Berbeda dengan penelitian yang dilakukan oleh Ballesteros & Xiaoyan-Li (2007), penelitian sebelumnya juga sudah dilakukan oleh Riloff & Thelen (2000). Mengacu pada penelitian yang dikembangkan oleh Riloff &

mengimplementasikan QAS untuk menemukan jawaban dari kueri pertanyaan dengan hanya menggunakan satu dokumen bacaan yang diberikan dan dokumen bacaan yang diberikan adalah dokumen yang menggunakan kalimat yang sudah baku.

Padahal QAS seharusnya diterapkan untuk membangun sistem temu kembali jawaban atas kueri pertanyaan terhadap banyak dokumen dan tidak hanya untuk dokumen yang kalimatnya sudah menggunakan bahasa yang baku. Selain itu, Anggraeny (2007) mengimplementasikan QAS dengan menggunakan surat Al-Baqarah yang terdiri dari beberapa ayat sebagai koleksi dokumen sehingga rule yang digunakan tidak bersifat umum.

Rumusan Masalah

Penelitian lebih jauh dibutuhkan untuk menjawab beberapa hal yang masih menjadi masalah pada penelitian sebelumnya, yaitu : 1. Bagaimana QAS berbasis aturan

(rule-based) dapat diimplementasikan pada

banyak dokumen (multidocument)? 2. Sejauh mana aturan yang disusun dalam

rule tersebut dapat digunakan pada dokumen bahasa Indonesia yang tidak hanya menggunakan bahasa yang baku (sesuai dengan EYD)?. Misalnya menggunakan dokumen dari internet, dokumen dari media koran, dokumen dari media majalah, dan lain-lain

.

Tujuan

Tujuan penelitian ini adalah :

1 Mengimplementasikan sistem temu kembali informasi menggunakan kueri pertanyaan (Question Answering) untuk banyak dokumen berbahasa Indonesia. 2 Menelaah kinerja sistem yang akan

dibangun dalam mengembalikan jawaban yang relevan dari banyak dokumen bahasa Indonesia yang tidak hanya menggunakan bahasa yang baku.

Ruang Lingkup

Ruang lingkup penelitian ini adalah: 1 Korpus terdiri atas beberapa dokumen

(11)

2 Proses pengembalian jawaban hanya terbatas pada menemukembalikan kalimat jawaban yang sesuai dengan kueri pertanyaan yang diberikan dan koleksi dokumen yang dimiliki.

Manfaat

Dari penelitian ini diharapkan terbentuk suatu Question Answering System (QAS) yang dapat menemukembalikan jawaban atas beberapa kueri pertanyaan dari koleksi dokumen yang ada dan membuat korpus untuk jawaban yang relevan dari beberapa kueri pertanyaan standar yang dibuat oleh penulis.

TINJAUAN PUSTAKA

Temu Kembali Informasi

Temu kembali informasi berkaitan dengan representasi, penyimpanan, pengorganisasian, dan pengaksesan informasi. Sistem temu kembali informasi menyediakan kemudahan akses informasi bagi pengguna. Pengguna harus menerjemahkan kebutuhan informasinya ke dalam bentuk kueri. Dengan adanya kueri yang diberikan pengguna, tujuan utama dari sistem temu kembali informasi adalah mengembalikan informasi yang relevan dengan kueri dan informasi yang tidak relevan sesedikit mungkin (Baeza-Yates & Ribeiro-Neto 1999).

Kalimat

Kalimat adalah gugusan kata bersistem (beraturan) yang mampu menimbulkan makna sempurna atau makna yang dapat diterima oleh orang lain sesuai dengan maksud pembuat kalimat. Kumpulan kata akan dimaknai sebagai kalimat jika memiliki strukstur minimal Subjek (S) dan Predikat (P).

Suatu kalimat dapat memiliki unsur-unsur sebagai berikut :

- Subjek adalah sesuatu (kata atau frase atau gabungan kata) yang menjadi pokok pembicaraan penulis dalam kalimat sementara. Adapun yang menjadi ciri dari subjek yaitu : berkelas kata benda, bukan merupakan kata tugas, bukan kata ganti tanya, dapat dicari dengan menggunakan kata tanya ”APA” dan ”SIAPA” dan pada umumnya berada di awal kalimat.

- Predikat adalah kata atau kelompok kata yang menjelaskan subjek. Ciri predikat yaitu umumnya berada di sebelah kanan subjek, berkelas kata kerja, mengisyaratkan perlu tidaknya kata lain di

sebelah kanannya agar kalimat lebih lengkap dan biasanya dicari dengan menggunakan kata tanya ”BAGAIMANA”.

- Objek adalah sesuatu (kata atau frase atau gabungan kata) yang dikenai sesuatu oleh Subjek. Ciri objek adalah berada di samping kanan Predikat, berkelas kata benda, dapat berpindah menjadi Subjek bila Predikatnya diubah menjadi pasif dan dapat diganti dengan akhiran ”nya”. - Keterangan dicirikan oleh letaknya yang

bisa berpindah-pindah, bisa dihilangkan di sebuah kalimat, biasanya kata atau kelompok kata didahului oleh kata depan. Contoh : keterangan tempat, orang dan waktu.

Contoh kalimat lengkap yang mengandung unsur-unsur di atas :

Mahasiswa Agribisnis melaksanakan S P

praktik lapangan di Cikabayan. O Ket.

Question Answering

Question Answering merupakan aplikasi

nyata dari teknologi Natural Language

Processing (NLP). Tujuan utama dari Question Answering (QA) adalah

menampilkan jawaban atas pertanyaan yang diberikan pengguna. Ide utama QA adalah (Lin 2004) :

- menentukan tipe semantik jawaban yang diharapkan.

- menentukan dokumen-dokumen yang memiliki keywords seperti pada pertanyaan.

- mencari entitas dengan tipe yang sesuai dengan pertanyaan, yang dekat dengan

keywords.

QUARC (Question Answering System for

Reading Comprehension)

QUARC (Question Answering System for

Reading Comprehension) adalah QAS dengan

metode rule-based yang dikembangkan oleh Riloff & Thelen (2000). Cara kerjanya suatu dokumen diberi kueri pertanyaan, kemudian sistem akan menghitung nilai dari masing–masing kalimat pada dokumen tersebut.

Pemberian nilai berdasarkan pada jumlah nilai hasil perbandingan kata yang sama antara

(12)

kueri dengan kalimat dan nilai pada masing–masing rule berdasarkan tipe

pertanyaan. Suatu rule dapat memberikan empat kemungkinan nilai, yaitu : clue (+3),

good_clue (+4), confident (+6), dan

slam_dunk (+20). Kalimat yang memiliki

nilai tertinggi akan dikembalikan sebagai jawaban atas kueri yang diberikan.

Ikhsani (2006) telah melakukan implementasi QAS untuk dokumen bacaan berbahasa Indonesia dengan menggunakan

rule yang dibuat oleh Riloff & Thelen (2000).

Ikhsani (2006) melakukan modifikasi terhadap

rule yang sudah ada dengan melakukan

penyesuaian terhadap kaidah tata bahasa Indonesia. Adapun algoritme rule yang dibuat oleh Ikhsani (2006) mencakup pertanyaan dengan menggunakan kata tanya “KAPAN”, “MANA”, “MENGAPA”, “SIAPA”, dan “APA”, seperti yang dituliskan di bawah. 1 “KAPAN”

Score(S) += WordMatch(Q,S)

If contains (S, WAKTU) and contains (S,{saat,ketika,kala,semenjak,sejak, waktu, setelah,sebelum}) then

Score(S) += slam_dunk

If contains (S,WAKTU) then

Score(S) += good_clue

If contains(S,{saat,ketika,kala, semenjak, sejak, waktu, setelah, sebelum} then

Score(S) += good_clue

2 “ MANA”

If contains (S,TEMPAT) and contains (S,{dalam,dari,pada }) then

If contains (S,{dalam,dari,pada}) then

Score(S) += clue

If contains (S,TEMPAT) then

Score(S) += good_clue 3 “MENGAPA” Score(S) += WordMatch(Q,S) If contains (S,{karena,sebab,akibat, maka}) then Score(S) += confident 4 “SIAPA” Score(S) += WordMatch (Q,S)

If ~contains (Q, ORANG) and contains (S, ORANG) then

5 “APA”

Score(S) += WordMatch (Q,S)

If contains (Q, {tujuan,manfaat}) and

contains (S,{untuk,guna}) then

Score(S) += confident

Elseif contains (Q,maksud) and contains (S,{adalah,ialah}) then

Elseif contains (S,{adalah,ialah}) then

Score(S) +=confident

Keterangan: S = sentence (kalimat dokumen) Q = query (kalimat kueri) Parsing

Untuk pemrosesan, dokumen dipilah menjadi unit-unit yang lebih kecil misalnya berupa kata, frasa, atau kalimat. Unit pemrosesan tersebut disebut sebagai token. Proses ini memerlukan pengetahuan bahasa untuk menangani karakter-karakter khusus, serta menentukan batasan satuan unit dalam dokumen. Dalam proses ini biasanya juga digunakan sebuah daftar kata buang (stoplist) yakni daftar kata-kata yang tidak digunakan (dibuang) karena tidak signifikan dalam membedakan dokumen atau kueri, misalnya:

yang, hingga, dan dengan (Ridha 2002). Stemming

Menurut Porter (1980), stemming adalah proses pemotongan imbuhan dari kata untuk mendapatkan kata dasarnya. Penggunaan utama dari stemming adalah sebagai bagian penting dalam proses normalisasi yang biasanya dilakukan ketika membangun sistem temu kembali informasi. Dengan proses

stemming, kata mencanangkan akan dipotong

menjadi men-canang-kan, sehingga

didapatkan kata dasarnya canang. Ambang Batas Nilai (Treshold of Score)

Ambang batas nilai berguna untuk membatasi nilai terendah dari skor yang harus dimiliki oleh kalimat dokumen yang ditemukembalikan. Skor yang dimaksud dalam penelitian ini adalah nilai keseluruhan yang diperoleh suatu kalimat dokumen berdasarkan pembobotan yang diberikan kepada kalimat dokumen melalui proses

WordMatch dan rule.

Penentuan ambang batas nilai tergantung dari nilai yang dimasukkan oleh pengguna pada sistem.

Recall Precision

Keakuratan suatu sistem dalam mengembalikan informasi yang relevan dapat diukur dengan menghitung nilai Recall

(13)

Dokumen relevan Dokumen relevan yang dikembalikan oleh sistem Dokumen yang dikembalikan oleh sistem

Precision. Menurut Grossman (2008), Recall

adalah jumlah kalimat atau informasi yang relevan yang dikembalikan oleh sistem dibandingkan dengan jumlah kalimat atau informasi relevan yang seharusnya dikembalikan oleh sistem. Sementara

Precision adalah jumlah kalimat atau

informasi yang relevan yang dikembalikan oleh sistem dibandingkan dengan jumlah kalimat atau informasi keseluruhan (relevan dan tidak relevan) yang dikembalikan oleh sistem (Gambar 1).

Recall = Precision = Gambar 1 Pengukuran Ketepatan Sistem Keterangan :

ArS = Dokumen relevan yang dikembalikan oleh sistem Ar = Dokumen relevan

A = Dokumen yang dikembalikan oleh sistem

METODE PENELITIAN

Gambaran Umum Sistem

Gambaran umum Question Answering

System (QAS) yang dikembangkan dapat

dilihat pada Gambar 2.

Proses awal pada QAS adalah dengan mengambil dokumen-dokumen berekstensi text (*.txt) yang terdapat pada satu direktori dan menyimpan nama masing-masing dokumen dalam tabel penyimpanan dokumen.

Kemudian, dokumen-dokumen tersebut dipecah menjadi kalimat-kalimat yang dimasukkan ke dalam tabel penyimpanan kalimat. Pemecahan menjadi kalimat-kalimat

dilakukan dengan proses parsing dokumen. Pada masing-masing kalimat dokumen

dilakukan parsing kalimat dan stemming hasil

parsing yang akan menghasilkan token-token

kalimat. Token-token dari kalimat dokumen disimpan dalam tabel penyimpanan kata.

Gambar 2 Gambaran Umum Sistem. Selanjutnya, pengguna memasukkan kueri berupa kalimat pertanyaan. Kalimat kueri juga mengalami parsing dan stemming yang akan menghasilkan token–token kueri.

Token-token pada setiap kalimat dokumen dan kalimat kueri dibandingkan dalam proses

WordMatch, kemudian masuk ke dalam rule

sesuai dengan tipe kueri yang diberikan. Rules yang dibuat berbeda satu sama lain sesuai dengan tipe pertanyaan. Dari proses tersebut, masing-masing kalimat akan memperoleh nilai berdasarkan nilai hasil WordMatch dan

rule. Kalimat-kalimat jawaban akan

dikembalikan sesuai dengan nilai ambang batas yang digunakan dan terurut dari yang memiliki skor paling tinggi. Untuk kalimat yang memiliki skor yang sama maka sistem akan mengembalikan berdasarkan urutan dokumen pada basis data.

Identifikasi Tipe Pertanyaan

Ada beberapa tipe pertanyaan yang digunakan dalam Bahasa Indonesia, yaitu: 1 APA, yang menanyakan suatu pengertian,

(14)

maupun konkret (tidak termasuk di dalamnya yes/no question).

2 SIAPA, yang menanyakan orang atau makhluk hidup lain yang melakukan sesuatu.

3 KAPAN, yang menanyakan waktu terjadinya suatu peristiwa.

4 MANA, yang menanyakan tempat. 5 MENGAPA, yang menanyakan tujuan

atau sebab terjadinya sesuatu.

Dalam penelitian ini, tipe pertanyaan BAGAIMANA tidak diikutsertakan karena jawabannya adalah suatu penjelasan. Begitu pula dengan tipe pertanyaan MANA yang menanyakan suatu pilihan.

Pengelompokan Tipe Jawaban

Untuk dapat menemukan jawaban yang tepat, perlu dilakukan pembelajaran terhadap sistem, di antaranya adalah pengelompokan tipe jawaban. Tipe jawaban ini disusun dalam suatu kamus.

1 ORANG, jawaban dari pertanyaan SIAPA, yang dapat diidentifikasi dengan adanya gelar, panggilan (misalnya Bapak), dapat pula menyatakan suatu pekerjaan (misalnya penulis). Tipe jawaban ini disimpan dalam kamus bernama

kamus_orang.txt.

2 WAKTU, jawaban dari pertanyaan KAPAN, terdiri dari hari dan bulan. Tipe jawaban ini disimpan dalam kamus bernama kamus_waktu.txt.

3 TEMPAT, jawaban dari pertanyaan MANA, terdiri dari beberapa nama kota di Indonesia dan beberapa nama negara. Tipe jawaban ini disimpan dalam kamus bernama kamus_tempat.txt.

Selain mengelompokkan tipe jawaban, untuk memperoleh jawaban yang akurat tentu saja disertai implementasi rules. Untuk jawaban dari pertanyaan MENGAPA dan APA langsung diimplementasikan dalam sistem. Untuk jawaban MENGAPA dilakukan dengan cara mengidentifikasi kata ’sebab’, ’karena’, dan sejenisnya dari proses tokenizer. Temu Kembali Jawaban

Pembobotan terhadap kalimat dilakukan dengan proses WordMatch dan rule. Dalam

WordMatch, setiap token pada kalimat

dokumen yang sama dengan token pada kueri akan diberi nilai clue(+3). Sementara tiap

petunjuk pada kalimat dalam dokumen akan mendapatkan nilai berdasarkan rules yang ada. Penelitian ini menggunakan empat tingkatan nilai, yakni (Riloff & Thelen 2000): • clue (+3)

• good-clue(+4)

• confident (+6)

• slam_dunk(+20).

Kalimat yang mendapatkan nilai tertinggi akan dikembalikan sebagai jawaban dari kueri pertanyaan yang diberikan. Namun kalimat yang ditemukembalikan bisa jadi tidak hanya satu, karena ada kemungkinan beberapa kalimat memiliki skor yang sama. Banyaknya kalimat yang ditemukembalikan oleh sistem juga bergantung pada nilai ambang batas yang dimasukkan oleh pengguna.

Evaluasi Question Answering System Evaluasi Question Answering System ini

dilakukan dengan melihat banyaknya kalimat jawaban yang ditemukembalikan dan banyaknya hasil yang benar maupun yang salah. Semakin banyak hasil yang benar, tentu kinerja sistem akan semakin tinggi. Setiap kueri bisa memiliki satu atau lebih kalimat jawaban atau tidak sama sekali sehingga akan dilihat persentase berapa jawaban yang relevan untuk beberapa nilai ambang batas. Penulis juga melakukan evaluasi menggunakan Recall Precision untuk melihat perbandingan jawaban yang relevan yang dikembalikan oleh sistem dengan jawaban relevan yang seharusnya dikembalikan oleh sistem.

Asumsi

Asumsi-asumsi yang dibuat oleh penulis dalam membangun sistem adalah sebagai berikut :

1. Kueri pertanyaan dibuat sendiri oleh penulis,

2. Kamus yang digunakan dibuat secara manual oleh penulis,

3. Rules yang digunakan dibuat sendiri berdasarkan asumsi penulis dengan mengacu pada rules yang dibuat oleh Riloff & Thelen (2000) dan Ikhsani (2006).

Satu kueri pertanyaan dapat memiliki lebih dari satu kalimat jawaban yang relevan atau tidak ada sama sekali. Daftar kueri yang digunakan dan jawaban yang benar (relevance

(15)

Lingkungan Implementasi

Lingkungan implementasi yang digunakan adalah sebagai berikut :

Perangkat lunak :

• Sistem operasi Windows XP Professional • Microsoft Visual Basic.NET 2005 • SQL Srever 2000

Perangkat keras :

• Prosesor AMD Turion, 2.2 GHz • RAM 512 MB

• Harddisk dengan kapasitas 80 GB

HASIL DAN PEMBAHASAN

Koleksi Dokumen Pengujian

Dokumen yang digunakan sebagai dokumen uji diambil dari korpus yang sudah tersedia di Laboratorium Temu Kembali Informasi Departemen Ilmu Komputer IPB. Sumbernya adalah media koran, media majalah, media internet, dan lain-lain. Dari 958 dokumen dan 30 topik yang dibicarakan dalam dokumen, penulis hanya mengambil 60 dokumen dan 5 topik (bencana kekeringan, pertanian organik, flu burung, gagal panen dan kelangkaan pupuk) yang dibicarakan di dalamnya sebagai koleksi dokumen. Pengambilan dokumen dan topik dilakukan secara acak atau tidak memiliki aturan tertentu.

Dokumen sebagai koleksi memiliki format teks (*.txt) dan terdapat struktur tag XML didalamnya. Dokumen disimpan dalam satu direktori. Nama dokumen berdasarkan sumber data dan tanggal data tersebut diterbitkan, misalnya Gatra070203.txt yang berarti data berasal dari majalah Gatra dan diterbitkan oleh Gatra pada tanggal 07 bulan Februari tahun 2003.

Satu dokumen dapat berisi beberapa artikel bacaan. Satu dokumen berisi minimal satu kalimat dan sebuah kalimat harus diakhiri dengan tanda titik (.). Sementara untuk kalimat yang diakhiri dengan tanda tanya (?), tanda seru (!) dan tidak berhubungan dengan kalimat sesudahnya maka dilakukan penambahan tanda titik (.) secara manual.

Indexing

Hal yang pertama dilakukan pada saat

Indexing adalah menyimpan nama dokumen

yang digunakan sebagai dokumen uji ke tabel tb_dokumen. Struktur tabel tb_dokumen dapat dilihat pada Tabel 1.

Tabel 1 Struktur tabel tb_dokumen Nama

Kolom

Tipe Data Keterangan

idDok INT Primary key

namaDok VARCHAR (100)

-

Proses penyimpanan nama dokumen tidak berurutan karena pengambilan nama dokumen oleh sistem dilakukan secara acak. Kolom idDok merupakan urutan penyimpanan dokumen berdasarkan jumlah dokumen yang digunakan. Nama dokumen disimpan dalam kolom namaDok.

Parsing yang dilakukan pada dokumen

diawali dengan memisahkan kalimat-kalimat dokumen berdasarkan separator titik (.). Hasil proses ini berupa array kalimat yang kemudian disimpan dalam tabel tb_kalimat. Struktur tabel tb_kalimat dapat dilihat pada Tabel 2.

Tabel 2 Struktur tabel tb_kalimat Nama

Kolom

idKal INT Primary key

idDok INT Primary key

kalimat VARCHAR(8000) -

score INT -

Kolom idKal menunjukkan urutan kalimat pada dokumen bersangkutan. Kolom idDok mengacu ke kolom idDok pada tabel tb_dokumen. Kolom kalimat berisi array kalimat yang dihasilkan oleh proses parsing. Kolom score digunakan untuk menyimpan nilai yang diperoleh masing-masing kalimat dari proses WordMatch dan pembobotan berdasarkan rule. Pada Indexing dokumen dan awal proses pengolahan terhadap kueri pengguna, kolom score masing-masing kalimat diberi nilai nol (0).

Parsing pada kalimat diawali dengan

proses case folding (membuat semua huruf pada teks yang akan diparsing menjadi huruf kecil). Penelitian ini tidak melakukan penghilangan stopwords karena semua kata dianggap penting dan masih akan mengalami proses stemming. Penulis memanfaatkan algoritme parsing Ikhsani (2006). Proses ini akan menghasilkan token-token yang disimpan pada array sementara untuk

(16)

kemudian dilanjutkan dengan proses

stemming.

Stemming dilakukan pada setiap token

hasil parsing kalimat dengan menggunakan algoritme stemming Ikhsani (2006). Dalam prosesnya, stemming menghasilkan beberapa kata yang tidak sesuai dengan tata bahasa baku misalnya kata leta. Proses stemming melakukan penghilangan huruf k di awal dan akhir kata. Sehingga kata letak menjadi leta. Padahal ketika menjadi kata leta, kata tersebut menjadi tidak memiliki makna apa-apa. Tetapi hal tersebut tidak mempengaruhi sistem yang dibangun karena setiap kueri pertanyaan yang akan diproses oleh sistem juga mengalami proses parsing dan stemming. Proses selanjutnya, hasil stemming dimasukkan ke dalam tabel tb_kata. Struktur tabel tb_kata dapat dilihat pada Tabel 3. Tabel 3 Struktur tabel tb_kata

Nama Kolom

idKata INT Primary key

idKal INT -

kata VARCHAR(100) -

Kolom idKal mengacu pada kolom idKal pada tabel tb_kalimat. Hasil parsing dan

stemming untuk masing-masing kalimat pada

tabel tb_kalimat disimpan di kolom kata pada tabel tb_kata. Setelah proses Indexing selesai dilakukan diperoleh hasil seperti yang ada di Lampiran 2.

Algoritme Rule

Mengacu pada algoritme yang dibuat Riloff & Thelen (2000) dan algoritme yang diimplementasikan oleh Ikhsani (2006), penulis membuat algoritme rule dengan melakukan beberapa modifikasi. Algoritme

rules yang dibuat dan diimplementasikan ke

dalam sistem adalah algoritme “APA”, “SIAPA”, “KAPAN”, “MANA” dan “MENGAPA”. Seperti yang dituliskan di bawah.

1 “KAPAN”

If contains(S,{saat, ketika, kala, semenjak, sejak, waktu, setelah, sebelum, sesudah,selama, pada}) and contains(S, TIME) then

Score(S) += slam_dunk If contains(Q,TIME) Or

containsS(S, TIME) then Score(S) += good_clue If contains(S,{saat, ketika, kala, semenjak, sejak, waktu, setelah, sebelum}) then

Score(S) +=good_clue

Untuk algoritme rule menggunakan kata

tanya “KAPAN”, juga memiliki perbedaan dengan algoritme rule yang sudah dibuat oleh Ikhsani (2006). Selain pada pemberian nilai

score, untuk kondisi if yang pertama, penulis

menambahkan kata “sesudah”, “selama” dan “pada”.

2 “MANA”

Score(S) += WordMatch(Q,S) If contains(S,LOCATION) and

contains(S,{dalam, dari, pada}) then Score(S) += slam_dunk

If contains(S,{dalam, dari, pada}) then Score(S) += clue If contains(S,LOCATION) then Score(S) += good_clue 3 “MENGAPA” Score(S) += WordMatch(Q,S) If contains(S,{karena, sebab,

akibat, maka, agar, supaya}) then Score(S) += clue

Untuk kueri pertanyaan dengan menggunakan kata tanya “MANA” algoritme

rule yang dibuat sama dengan yang sudah

dibuat oleh Ikhsani (2006). Sementara untuk kueri pertanyaan dengan menggunakan kata tanya “MENGAPA”, perbedaannya terletak pada kondisi if yaitu pemberian nilai score untuk dan penambahan kata “agar” dan “supaya”.

4 “SIAPA”

If contains(Q,HUMAN) then Score(S) += confident

Berbeda dengan kueri pertanyaan dengan kata tanya “APA”, algortima rule untuk kueri pertanyaan dengan kata tanya “SIAPA” yang diimplementasikan pada sistem yang dibangun oleh penulis berbeda dengan algoritme rule yang telah diimplementasikan oleh Ikhsani (2006). Perbedaannya terletak pada pemberian nilai score.

5 “APA”

If contains(Q,{tujuan, manfaat}) and

contains(S,{untuk, guna}) then

(17)

Elseif contains(Q,{maksud}) and contains(S,{adalah, ialah, yaitu}) then

Elseif contains(S,{adalah, ialah}) then

Score(S) += confident

Algortima rule untuk kueri pertanyaan

dengan kata tanya “APA” yang diimplementasikan pada sistem yang dibangun oleh penulis sama dengan algoritme

rule yang telah diimplementasikan oleh

Ikhsani (2006).

Fungsi dan notasi yang digunakan dalam

rules tersebut adalah sebagai berikut :

• Notasi S = sentence (kalimat dokumen). • Notasi Q = query (kalimat kueri).

• Fungsi contains adalah fungsi untuk memeriksa kalimat dokumen dan kalimat kueri pertanyaan, apakah mengandung kata yang telah ditentukan.

• Fungsi WordMatch adalah fungsi untuk

memeriksa kesamaan kata.

• Fungsi score adalah fungsi pemberian nilai pada kalimat dokumen.

Parsing dan WordMatch

Algoritme parsing dokumen menjadi

kalimat-kalimat berdasarkan separator titik (”.”) dibuat sendiri oleh penulis. Namun untuk

parsing kalimat-kalimat dokumen dan kalimat

kueri menjadi token-token serta algoritme

stemming, penulis memanfaatkan algoritme

yang sudah ada di Laboratorium Temu Kembali Informasi, Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB). Algoritme WordMatch memanfaatkan

algoritma yang sudah digunakan pada penelitian yang dilakukan oleh Ikhsani (2006).

Algoritme WordMatch membandingkan token-token pada setiap kalimat dokumen dengan token-token pada kalimat kueri, yang telah melalui proses stemming. Setiap token yang sama akan menambahkan nilai clue (+3) pada kalimat dokumen tersebut.

Hasil Percobaan

Percobaan dilakukan pada seluruh dokumen yang ada. Dokumen yang digunakan sebanyak 60 dokumen. Seluruh dokumen diberi lima tipe kueri pertanyaan yang kalimat pertanyaannya menggunakan kata tanya “APA”, “SIAPA”, “KAPAN”, “MENGAPA” dan “MANA”. Untuk masing-masing tipe pertanyaan diberikan empat kueri pertanyaan

yang sudah dibuat sebelumnya oleh penulis. Antarmuka prototipe Question Answering

System dapat dilihat pada Lampiran 3.

Penghitungan persentase hasil jawaban yang benar yang berhasil dikembalikan oleh sistem dilakukan untuk masing-masing tipe pertanyaan. Penghitungan dilakukan dengan cara membandingkan jumlah kalimat yang benar yang ditemukembalikan oleh sistem dengan jumlah keseluruhan kalimat yang ditemukembalikan oleh sistem pada masing-masing nilai ambang batas yang ditentukan.

Yang dimaksud dengan hasil yang benar adalah jika ada jawaban yang relevan yang berhasil dikembalikan walaupun tidak memiliki nilai tertinggi. Hasil percobaan berdasarkan nilai ambang batas dapat dilihat pada Gambar 3 dan berdasarkan Recall

Precision dapat dilihat pada Gambar 4.

Evaluasi Question Answering System

Berdasarkan Nilai Ambang Batas

Tujuan dari temu kembali informasi yaitu menemukembalikan informasi yang relevan dan sesedikit mungkin menemukembalikan informasi yang tidak relevan.

Hasil dari Gambar 3 dapat diuraikan sebagai berikut :

1 Tipe pertanyaan “KAPAN”, terlihat bahwa kinerja sistem paling tinggi dicapai saat pemakaian nilai ambang batas 26. Dengan ambang batas 26, persentase hasil yang benar mencapai 94,44 % dan nilai persentase yang paling kecil dicapai saat pemakaian ambang batas 3 yaitu 14,67 %. 2 Tipe pertanyaan “MANA”, terlihat bahwa

kinerja sistem yang tinggi dicapai saat pemakaian nilai ambang batas 13, 15 dan 26. Dengan ambang batas 13, 15, persentase hasil yang benar mencapai 64,95% dan ambang batas 26 mencapai 76,8 %. Nilai persentase yang paling kecil dicapai saat pemakaian ambang batas 3 yaitu 21,55 %.

3 Tipe pertanyaan “MENGAPA”, terlihat bahwa kinerja sistem paling tinggi dicapai saat pemakaian ambang batas 7. Dengan ambang batas 7, persentase hasil yang benar mencapai 64,19% dan nilai persentase yang paling kecil dicapai saat pemakaian ambang batas 3 yaitu 7,22%. 4 Tipe pertanyaan “SIAPA”, terlihat bahwa

kinerja sistem paling tinggi dicapai saat pemakaian ambang batas 26 dan 29.

(18)

Dengan ambang batas 26 dan 29, persentase hasil yang benar mencapai 50% dan nilai persentase yang paling kecil dicapai saat pemakaian ambang batas 3 yaitu 7,22 %.

5 Tipe pertanyaan “APA”, terlihat bahwa kinerja sistem kurang baik dengan nilai persentase yang sangat kecil. Nilai tertinggi yaitu sebesar 25,88% dicapai saat pemakaian ambang batas 9.

Nilai persentase untuk ambang batas 3 sangat kecil karena sistem mengembalikan sedikit jawaban yang benar dari semua kalimat jawaban yang terdapat pada relevance

judgement dan mengembalikan semua kalimat

pada basis data yang memiliki score = 3. Evaluasi Sistem Berdasarkan Rule

Setiap rule yang dibuat pasti tidak memiliki kinerja yang sama dengan rule yang lain. Gambar 4 menunjukkan perbedaan Gambar 3 Persentase hasil yang benar

0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% 90,0% 100,0% 3 6 7 9 10 12 13 15 23 26 29 Treshold of score P e r se n ta se R e le v a n si (% ) _KAPAN MANA MENGAPA SIAPA APA

Gambar 4 Recall Precision 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Recall P reci si o n KAPAN MANA MENGAPA SIAPA APA

(19)

kinerja sistem untuk masing-masing rule menggunakan rumus Recall Precision.

Berdasarkan Gambar 3 dan Gambar 4 terlihat bahwa kinerja sistem yang paling buruk adalah kueri pertanyaan dengan menggunakan kata tanya “APA”. Berbeda dari sistem yang telah diimplementasikan oleh Ikhsani (2007), rule APA memiliki kinerja yang paling baik dibandingkan dengan rules yang lain yaitu mencapai 81,94%. Sementara untuk sistem ini, persentase hasil jawaban yang benar hanya mencapai 25,88% dan nilai

Recall Precision tertinggi mencapai 0.46.

Hal ini disebabkan oleh rule “APA” yang hanya membatasi kalimat jawaban yang dikembalikan mengandung kata ialah, adalah,

maksud, untuk, guna, manfaat dan tujuan.

Sementara di dokumen yang digunakan sebagai dokumen uji jarang sekali ditemukan kalimat yang mengandung kata-kata tersebut. Dengan demikian sistem akan mengembalikan kalimat jawaban yang relevan lebih sedikit. dibandingkan dengan kalimat jawaban yang tidak relevan. Selain itu koleksi dokumen yang menggunakan bahasa yang tidak baku (tidak sesuai dengan EYD) juga mempengaruhi kinerja rule APA.

Kinerja sistem yang paling tinggi dicapai oleh kueri pertanyaan “KAPAN”. Terlihat bahwa nilai persentase hasil jawaban yang benar mencapai 94,44 % dan nilai Recall

Precision mencapai 0,93. Kenaikan cukup

drastis dicapai pada nilai ambang batas 26 dan membuat nilai Recall Precision mencapai nilai tertinggi. Hal ini disebabkan oleh karena sistem mengembalikan kalimat jawaban yang relevan lebih banyak dibandingkan dengan kalimat jawaban yang tidak relevan dan rule yang digunakan sudah cukup baik.

Kinerja sistem untuk kueri pertanyaan “MANA” sudah cukup baik dengan nilai

Recall Precision tertinggi sebesar 0,88 dan

nilai ambang batas tertinggi sebesar 76,86 %. Dengan menggunakan nilai ambang batas tertinggi yaitu 26, sistem mengembalikan cukup banyak kalimat jawaban yang relevan yang membuat nilai Recall Precision cukup tinggi.

Untuk kueri pertanyaan “MENGAPA”, nilai Recall Precision yang dicapai sebesar 0.65 dan dicapai saat pemakaian nilai ambang batas = 7.

Kueri pertanyaan “SIAPA”, nilai Recall

Precision yang dicapai sebesar 0,84 dan nilai

tersebut dicapai ketika menggunakan nilai

ambang batas = 26. Masih banyak kalimat jawaban yang tidak relevan yang dikembalikan oleh sistem. Hal ini mungkin disebabkan rule yang masih belum sempurna. Kelebihan dan Kekurangan Sistem

Kelebihan dan kekurangan Question

Answering System (QAS) yang telah dibangun

adalah sebagai berikut : Kelebihan:

• Indexing dokumen hanya dilakukan satu kali yaitu di awal pembangunan sistem. • Kueri pertanyaan menggunakan bahasa

yang alami.

• Penggunaan nilai ambang batas yang memudahkan pengguna untuk menentukan sendiri score minimal yang harus

dikembalikan dan memutuskan sendiri kalimat jawaban yang relevan menurut pengguna.

Kekurangan:

• Jika terdapat penambahan dokumen, maka harus dilakukan pengindeksan ulang. • Tidak dilakukan kajian terhadap makna

semantik dalam dokumen.

• Kamus yang digunakan belum dibuat otomatis tapi secara manual dibuat penulis. • Masih harus ada penyempurnaan untuk

algoritme rule agar dokumen yang dikembalikan nilai persentasenya lebih bagus.

KESIMPULAN DAN SARAN

Kesimpulan

Berdasarkan penelitian yang dilakukan, dapat disimpulkan bahwa metode rule-based dapat diterapkan untuk implementasi QAS (Question Answering System) untuk temu kembali banyak dokumen berbahasa Indonesia. Kinerja sistem sangat berbeda satu sama lain. Kinerja sistem tertinggi dengan penggunaan nilai ambang batas 23, yang mengembalikan rata–rata 0,5 atau sebagian kalimat jawaban yang relevan dari keseluruhan kalimat jawaban yang relevan yang seharusanya dikembalikan oleh sistem. Berdasarkan evaluasi menggunakan ”KAPAN”, ”MANA”, ”MENGAPA”, ”SIAPA” dan ”APA”, rule “KAPAN” memiliki kinerja tertinggi.

(20)

Saran

Melihat pencapaian dari sistem yang sudah dibuat, ada beberapa hal yang harus ditambahkan atau diperbaiki untuk penelitian ke depan seperti :

- Indexing dapat dilakukan tidak hanya sekali yaitu dengan cara setiap sistem pertama kali dijalankan, maka hal pertama yang dilakukan oleh sistem adalah

me-refresh database atau mengosongkan

semua isi tabel dalam basis data dan kemudian mengambil kembali data yang akan digunakan dari sumber data pada

directory yang telah ditentukan. Kelemahannya, proses loading awal akan sangat lambat sehingga untuk mengatasinya harus didukung dengan perangkat keras yang memadai,

- Menambahkan Part of Speech Tagging (POS Tagging) untuk mengidentifikasi jenis kata (kata kerja, kata benda, kata sifat, dan sebagainya), agar kinerja sistem dapat ditingkatkan walau menggunakan dokumen yang kompleks,

- Membuat kamus otomatis agar hasil yang dicapai lebih objektif,

- Membuat WordMatch yang tidak hanya

simple matching, misalnya dengan ukuran

kesamaan,

- Menyempurnakan kinerja sistem misalnya dengan melakukan ekspansi kueri.

DAFTAR PUSTAKA

Anggraeny M. 2007. Implementasi Question

Answering System dengan Metode

Rule-Based pada Terjemahan Al-Qur’an Surat Al-baqarah [skripsi]. Bogor. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.

Baeza-Yates R, Ribeiro-Neto B. 1999.

Modern Information Retrieval.

Addison-Wesley.

Ballesteros, L. A, Xiaoyan-Li. 2007. Heuristic

and Syntactic Scoring for Cross-language Question Answering NTCIR-6 Workshop

Meeeting.

Grossman D. IR Book.

http://www.ir.iit.edu/~dagr/cs529/ir

_book/

[12 Februari 2008].

Ikhsani N. 2006. Implementasi Question

Answering System dengan Metode

Rule-Based untuk Temu Kembali Informasi Berbahasa Indonesia [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Krishnawati H, dkk. 2005. Bahasa Indonesia. Bogor: Institut Pertanian Bogor

Lin J. 2004. An Introduction to Information

Retrieval and Question Aswering. College

of Information Studies University of Maryland.

Porter M. 1980. The Porter Stemming

Algorithm.

http://tartarus.org/~martin/PorterSte

mmer/

index-old/ [12 Februari 2008]. Ridha A. 2002. Pengindeksan Otomatis

dengan istilah Tunggal untuk Dokumen Berbahasa Indonesia [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Riloff E, Thelen M. 2000. A Rule-based

Question Answering System for Reading Comprehension Tests.

ANLP/NAACL-2000 Workshop on Reading Comprehension Tests as Evaluation for Computer-Based Language Understanding System.

(21)

(22)

Lampiran 1 Relevance Judgement

Tipe Pertanyaan “ KAPAN ”

No Kueri Kalimat jawaban yang

diharapkan

Nama Dokumen jawaban

1 Kapan panen gagal? Tahun lalu kekeringan telah menyebabkan gagal panen di beberapa tempat, yang mengharuskan Indonesia mengimpor beras satu juta ton lebih.

mediaindonesia160603

Jambi - Dalam kurun waktu satu tahun terakhir ini tercatat 643,13 hektar lahan pertanian rusak akibat banjir, 356,5 hektar tanaman padi gagal panen, dan 286,63 hektar diantaranya mengalami puso.

indosiar031203

Di balik berita kekeringan dan gagal panen yang dialami ribuan petani Indonesia akhir-akhir ini, sejatinya tersimpan tragedi yang jauh lebih dalam dan tragis.

kompas031003

Pada bagian lain diperoleh keterangan, tanaman padi seluas 2.138 hektare di Jawa Tengah sejak awal tahun ini hingga 17 Februari 2004 puso atau gagal panen akibat terlanda banjir karena hujan terus-menerus di daerah ini.

suarakarya000000-011

Karena hanya dalam waktu kurang dari enam bulan, bencana ini telah membuat puluhan ribu hektar sawah dan empang gagal panen.

indosiar260803-003

2 Kapan merebak flu burung? Mawardi di Sampit, Selasa mengatakan sebanyak 17 ribu ekor ayam ras yang mati diduga terserang flu burung itu sejak Desember 2003.

gatra270104-001

Pakistan pertama kali terserang flu burung pada 1994. "Saya mendengar sejak akhir Juli, flu burung sudah terdeteksi di Medan," kata Ketua Pusat Informasi Unggas Indonesia, drh. Hartono, kepada Rini Anggraini dari GATRA.

(23)

Lampiran 1 Lanjutan

No Kueri Kalimat jawaban yang

diharapkan

Nama Dokumen jawaban Ini teramati pertama kali pada

serangan virus flu burung di Hong Kong tahun 1997.

gatra300104 Kasus serangan flu burung pada

manusia paling anyar terjadi Januari ini, ketika tes

laboratorium di Vietnam Utara menyimpulkan, H5N1 telah menelan enam nyawa. Pertengahan Desember, ada anggota tim yang mengatakan virus itu AI, tapi ada juga yang menyebut flu burung.

3 Kapan bencana kekeringan? Bencana kekeringan selama musim kemarau hingga

pertengahan tahun 2003 juga indosiar170603 Banyumas - Musim kemarau

yang akan terjadi pada pertengahan bulan Juni mendatang akan mengakibatkan sekitar 2.400 hektare lahan pertanian di Kabupaten Banyumas, Jateng mengalami kekeringan.

indosiar220503

Bencana kekeringan tahun ini yang melanda hampir diseluruh Pulau Jawa, meski dinilai masih normal, namun cukup membuat masyarakat terutama petani was-was.

indosiar260803-003

Sementara itu, menurut Sutarto luas areal persawahan yang terkena bencana kekeringan pada tahun ini lebih rendah jika dibandingkan periode yang sama 2000.

mediaindonesia050604- 001

Selama Januari-Mei 2004 bencana kekeringan melanda lahan pertanian hingga seluas 12. BELUM hilang dari ingatan masyarakat, bencana kekeringan pada 2002 yang memukul sebagian besar sentra produksi tanaman pangan dan daerah marginal di Indonesia.

(24)

Lampiran 1 Lanjutan

No Kueri Kalimat jawaban yang

diharapkan

Nama Dokumen jawaban Tahun lalu kekeringan telah

menyebabkan gagal panen di beberapa tempat, yang mengharuskan Indonesia mengimpor beras satu juta ton lebih.

mediaindonesia160603 Sejak masa pemerintah kolonial,

catatan panjang yang dihimpun Quinn dkk (1978) untuk periode 1830-1953 menunjukkan 93% bencana kekeringan di Indonesia memang terjadi pada masa El Nino.

Di era modern kini, Indonesia pernah terkena dampak paling buruk dari bencana El Nino Southern Oscillation (ENSO) itu pada 1997/1998 dan 1992/1993, berupa kekeringan amat hebat dan penurunan produksi lebih dari 30%.

Bencana kekeringan terparah terjadi pada Oktober 2002 yang melanda 40.

gatra070203

Di balik berita kekeringan dan gagal panen yang dialami ribuan petani Indonesia akhir-akhir ini, sejatinya tersimpan tragedi yang jauh lebih dalam dan tragis.

Kompas031003

Jumlah ini mengalami peningkatan yang cukup menonjol, karena dua pekan sebelumnya, lahan yang terkena kekeringan 50.272 hektare.

Menurut Dedi, ancaman kekeringan itu, muncul saat perkiraan kemarau panjang tahun ini, menjadi kenyataan

republika090804-01

4 Kapan terjadi banjir? Selama musim hujan 2002/2003 diperkirakan 7.225 hektar (ha) areal persawahan di tanah air mengalami rusak berat (puso)

akibat bencana banjir. gatra070203 Sedangkan berdasarkan

waktunya, tambahnya, kerusakan berat akibat banjir terjadi selama Januari 2003.

(25)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Menyinggung potensi kehilangan

hasil akibat bencana banjir selama MH 2002/2003, Sutarto

menyatakan, diperkirakan dari luas areal yang terkena serangan

lebih kurang 80. _gatra070203 Menurut Sutarto, meskipun secara

prosentase areal persawahan yang mengalami kerusakan berat akibat bencana banjir selama MH 2002/2003 relatif kecil namun pemerintah tetap mengupayakan berbagai langkah antisipasi. Jambi - Dalam kurun waktu satu tahun terakhir ini tercatat 643,13 hektar lahan pertanian rusak akibat banjir, 356,5 hektar tanaman padi gagal panen, dan 286,63 hektar diantaranya

mengalami puso. indosiar031203 Bencana banjir yang terjadi di

Provinsi Jambi sejak 10 April hingga November 2003, telah mengakibatkan kerusakan tananam padi seluas 643,13 hektar, dengan kerugian mencapai 1 milyar rupiah.

Jumlah area pertanaman padi musim tanam 2002/2003 yang terkena banjir hingga 11 Februari 2003 mencapai 66.499 hektare.

mediaindonesia140203 Sementara itu, Menteri Pertanian

(Mentan) Bungaran Saragih mengakui, banjir yang terjadi pada tahun ini relatif masih kecil jika dibandingkan pada tahun 2002 lalu.

Menyinggung potensi kehilangan hasil akibat bencana banjir selama musim hujan 2002/2003, Sutarto mengatakan, diperkirakan dari luas areal yang terkena serangan lebih kurang 80.000 ton sedangkan untuk sawah yang puso sekitar 28.000 ton.

(26)

Lampiran 1 Lanjutan

No Kueri Kalimat jawaban yang

diharapkan

Nama Dokumen jawaban Departemen Pertanian

memperkirakan selama musim hujan (MH) 2003/2004 hampir 50 ribu hektar (ha) sawah tanaman padi mengalami rusak berat atau puso akibat banjir.

suarakarya000000-011 Menurut dia, meskipun luas areal

pertanaman yang tergenang banjir maupun puso tahun ini meningkat dibanding MH 2002/2003, namun hal itu tidak menurunkan target produksi padi secara nasional untuk 2004.

Selain Kabupaten Karawang, menurut Jafar, selama MH 2003/2004 areal persawahan di wilayah lain di Jawa Barat, khususnya kawasan Pantai Utara (Pantura) yang terkena banjir yakni Indramayu, Subang dan Bekasi.

Dirjen Bina Produksi Tanaman Pangan Deptan, Jafar Hafsah di Kabupaten Karawang Jawa Barat, Jumat, menyatakan secara keseluruhan selama MH 2003/2003 atau dari Oktober 2003-Februari 2004 areal sawah yang tergenang banjir mencapai 197

"Luas areal yang terkena banjir maupun puso tahun ini memang meningkat dibanding tahun lalu karena intensitas curah hujang yang lebih tinggi," katanya ketika meninjau areal persawahan yang terkena banjir di Kabupaten Karawang

138 hektare di Jawa Tengah sejak awal tahun ini hingga 17 Februari 2004 puso atau gagal panen akibat terlanda banjir karena hujan terus-menerus di daerah ini

(27)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Pada tahun 2003, tambahnya,

selama Januari-Mei tercatat luas areal yang terkena banjir mencapai 124

mediaindonesia050604 "Luas areal pertanian yang

terkena banjir tahun ini lebih tinggi dibanding dengan periode yang sama pada 2003," katanya

Tipe Pertanyaan “ MENGAPA ”

diharapkan

Nama Dokumen jawaban 1 Mengapa impor unggas

dilarang?

Departemen Pertanian sedang mempertimbangkan melarang impor unggas dari Amerika Serikat (AS) setelah di negara itu juga ditemukan beberapa ternak unggas tertular wabah flu burung.

mediaindonesia090204 Deptan sebelumnya telah

menetapkan pelarangan impor unggas dan produk unggas dari 10 negara endemik tanpa masa tenggang kedatangan barang, terkait pemberantasan virus flu burung atau Avian Influenza (AI).

Jepang menghentikan impor ayam dan daging unggas lainnya dari Kanada menyusul laporan mengenai munculnya virus flu burung di negara tersebut, demikian Kementrian Pertanian Jepang mengatakan, Jumat.

2 Mengapa Indonesia

impor beras?

Tahun lalu kekeringan telah menyebabkan gagal panen di beberapa tempat, yang mengharuskan Indonesia mengimpor beras satu juta ton lebih.

(28)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Apabila produksi gabah tidak

sampai mencapai 50 juta ton pada 2003, dengan tingkat konsumsi beras demikian tinggi maka Indonesia diperkirakan harus melakukan impor beras sekitar 1,5 juta ton atau lebih.

mediaindonesia160603

"Bila panen gagal dan kita perlu mengimpor beras, maka Menperindag bisa menunjuk importir untuk mengimpor beras agar kebutuhan di dalam negeri bisa tetap dipenuhi," katanya.

suaramerdeka120104

3 Mengapa gagal panen? Jawa Tengah - Ratusan hektar tanaman bawang merah di Tegal Jawa Tengah, gagal panen karena rusak di serang hama ulat.

indosiar010504

Jambi - Dalam kurun waktu satu tahun terakhir ini tercatat 643,13 hektar lahan pertanian rusak akibat banjir, 356,5 hektar tanaman padi gagal panen, dan 286,63 hektar diantaranya mengalami puso.

indosiar031203

Akibat dari semua itu, hasil pertanian pun tidak optimal, dan bahkan gagal panen.

kompas170504 Kegagalan panen itu akibat

banyaknya areal sawah yang terendam air akibat

tersumbatnya saluran pembungan serta serangan hama (Kompas, 4/5). ''Yang sering mengakibatkan petani Bali gagal panen itu adalah akibat serangan hama, bukan karena faktor sistem pengairannya,'' ucap I Ketut Suwarja, petani di Desa Beraban

republika080703

Kekeringan yang berujung pada kegagalan panen terjadi di Bali jika embung benar-benar sudah kehabisan air.

(29)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Di Tasikmalaya, ratusan hektare

tanaman padi terancam puso (gagal panen) akibat kekeringan.

republika090804-01

Pada bagian lain diperoleh keterangan, tanaman padi seluas 2.138 hektare di Jawa Tengah sejak awal tahun ini hingga 17 Februari 2004 puso atau gagal panen akibat terlanda banjir karena hujan terus-menerus di daerah ini.

suarakarya000000-011

Akibatnya, lahan jagung rusak dan puluhan hektare tanaman kacang gagal panen.

suarapembaruan120104

Tahun lalu kekeringan telah menyebabkan gagal panen di beberapa tempat, yang mengharuskan Indonesia mengimpor beras satu juta ton lebih.

Karena hanya dalam waktu kurang dari enam bulan, bencana ini telah membuat puluhan ribu hektar sawah dan empang gagal panen.

indosiar260803-003

4 Mengapa pupuk langka? Cirebon, Kompas - Kelangkaan pupuk urea yang terjadi di wilayah Kabupaten Cirebon, Jawa Barat, selama dua bulan terakhir ini, bukan disebabkan oleh percepatan awal musim tanam (MT) gadu yang dilakukan

oleh para petani. kompas210504 Beberapa waktu lalu, Kepala

Pemasaran Pusri Kabupaten (PPK) Cirebon Gunawan Jusuf pernah mengatakan, kelangkaan pupuk di wilayah Cirebon disebabkan ketidaksesuaian data kebutuhan pupuk yang dimiliki Pusri sebagai produsen dengan kenyataan kebutuhan petani di lapangan.

Berdasarkan pantauan

Deperindag, langkanya pupuk di Jawa Barat akibat permainan pengecer yang menimbun pupuk.

(30)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Deperindag mengindikasikan,

kelangkaan pupuk di Jawa Barat, lebih disebabkan banyaknya pembelian pupuk oleh pengecer dari daerah yang belum memasuki masa pemupukan.

indosiar190504-001

Disinyalir terjadinya kelangkaan pupuk di lapangan kerena pupuk-pupuk urea yang dijual pasaran dibeli para pedagang atau distributor dari Banten.

indosiar200104

Kelangkaan tersebut memang terjadi akibat banyaknya agen-agen penyalur pupuk yang sulit untuk dikontrol.

indosiar260504

Kelangkaan pupuk diberbagai daerah diperkirakan akibat penyimpangan distribusi pupuk yang sebenarnya subdisi

pemerintah ke daerah lain. indosiar290604 Penyebab lainnya adalah

kebijakan subdisi gas yang diberikan kepada pabrik yang tidak lagi berada di jalur distribusi sehingga turut memicu

kelangkaan pasokan pupuk. Tangerang - Para petani di Tangerang, Banten, belakangan mengeluh sulit mendapat pupuk akibat langkanya persediaan di agen-agen pengecer

indosiar060204

Semua kematian akibat flu burung di Vietnam dinyatakan sebagai akibat dari penularan dari ternak unggas ke manusia yang kini merebak di Vietnam wilayah utara

(31)

Lampiran 1 Lanjutan

Tipe Pertanyaan “ MANA ”

diharapkan

Nama Dokumen jawaban 1 Mana merebak flu burung? Sekurangnya 17 ribu ayam ras

milik peternak diwilayah kabupaten Kotawaringin Timur (Kotim) Kalimantan Tengah mati dan kuat dugaan akibat terserang virus avian influenza (AI) atau yang lagi ramai disebut penyakit flu burung.

gatra270104-001

Sementara itu, berita tentang ternak ayam di Sampit terserang penyakit flu burung telah menyebar di masyarakat . Pemerintah Pakistan, Senin menyatakan, ribuan ayam di wilayah selatan negara tersebut mati diserang flu burung.

gatra270104-002 Negara yang paling parah

terserang adalah Thailand dan Vietnam, dimana sedikitnya tujuh orang tewas dan 13,9 unggas mati atau disisihkan.

Turunan-turunan flu burung juga dideteksi di Kamboja, Indonesia, Jepang, Laos, Korea Selatan dan Taiwan.

Pakistan pertama kali terserang flu burung pada 1994.

Flu burung atau avian influenza (AI) memang sedang jadi momok di seantero Asia.

gatra300104 Wabah itu mulai merebak awal

2003 di Hong Kong, kemudian menerpa Korea Selatan pada akhir Desember lalu.

Setelah itu merambat ke Vietnam, Jepang, Thailand, Indonesia, Pakistan, Laos, dan Cina. Enam orang Vietnam, lima di antaranya bocah, dan dua anak di Thailand meninggal dalam dua pekan terakhir ini akibat flu burung.

(32)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban "Saya mendengar sejak akhir Juli,

flu burung sudah terdeteksi di Medan," kata Ketua Pusat

Informasi Unggas Indonesia, drh. gatra300104 Ini teramati pertama kali pada

serangan virus flu burung di Hong Kong tahun 1997.

MoU tersebut merupakan bentuk dari perhatian FAO untuk penanggulangan flu burung di Indonesia.

indosiar020304

Tilia (37), salah seorang peternak ayam di kabupaten Donggala ketika ditemui kemarin (Senin, 23/02/2004) mengatakan semenjak merebaknya flu burung sangat berdampak terhadap usaha ternak ayam maupun telur di daerahnya.

indosiar240204

Wabah flu burung yang melanda Indonesia, ternyata berdampak terhadap usaha peternakan ayam, termasuk di kabupaten Donggala, Sulawesi Tengah.

Departemen Pertanian sedang mempertimbangkan melarang impor unggas dari Amerika Serikat (AS) setelah di negara itu juga ditemukan beberapa ternak unggas tertular wabah flu burung.

mediaindonesia090204 Sepuluh negara yang oleh

Organisasi Kesehatan Hewan Dunia (OIE) dinyatakan terkena wabah AI yakni Jepang, Korsel, Vietnam, Hongkong, RRC, Laos, Taiwan, Thailand, Pakistan dan Kamboja.

Menurut Bungaran, sebenarnya bukan hanya dari AS Deptan mempertimbangkan melarang impor unggas tapi juga dari seluruh negara untuk menghindari makin meluasnya wabah flu burung di Indonesia.

(33)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Delapan provinsi Thailand kini

telah terjangkit penyakit Flu Burung baru, penyakit yang merusak unggas Asia awal tahun ini dan kini mungkin telah kembali lagi ke Bangkok, kata seorang pejabat Kementerian Pertanian, Rabu.

"Flu Burung dikonfirmasi telah melanda dua peternakan di propinsi Sukothai dan Chiang Rai," kata Yukol Limlaemthong, Kepala Bagian Peternakan, departemen tersebut, kepada para wartawan.

Minggu lalu, penyebaran virus Flu Burung H5N1 dikonfirmasi di dua propinsi wilayah tengah, yang mengakhiri harapan Thailand bahwa penyebaran Flu Burung yang menghancurkan peternakan-peternakan unggas di Asia sebelumnya tahun ini telah lenyap.

Jepang menghentikan impor ayam dan daging unggas lainnya dari Kanada menyusul laporan mengenai munculnya virus flu burung di negara tersebut, demikian Kementrian Pertanian Jepang mengatakan, Jumat.

Sejauh ini belum ada laporan mengenai korban flu burung di Malaysia

republika120704-005

Budi mensinyalir, masuknya wabah flu burung ke Indonesia pada akhir 2003 terjadi akibat

republika190604-005 Guna mencegah menyebarnya

kembali wabah flu burung di Indonesia, pemerintah hanya menunjuk beberapa perusahaan importir obat hewan yang boleh memasukan vaksin flu burung dari luar negeri.

(34)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban China, kata dia, diduga masih

tergolong negara yang terjangkit wabah penyakit mulut dan kuku (PMK) serta penyakit flu burung

republika190604-005

''Ini seperti pukulan kedua bagi para peternak setelah sebelumnya terkena imbas dari mewabahnya virus flu burung di Indonesia,'' kata Ronny kepada Republika tadi malam.

republika210504-001

Wabah flu burung pernah melanda Tangerang sejak pertengahan September lalu. Seorang remaja laki-laki tewas akibat flu burung di Thailand.

Sejauh ini India belum melaporkan kasus flu burung, namun Pakistan telah terserang strain flu burung yang lebih lunak yang tidak bisa menularkan penyakit itu ke manusia

PBB telah mendesak negara-negara Asia agar jangan kendur dalam perangnya melawan flu burung karena epidemi tersebut masih menyebar di Kamboja, China, Indonesia, dan Laos. Seorang gadis delapan tahun dikonfirmasikan sebagai orang kelima yang tewas di Vietnam akibat wabah flu burung

suaramerdeka200104 WHO menyatakan sangat

mengkhawatirkan kondisi menghebatnya penularan flu burung di Vietnam dan telah mengeluarkan sejumlah aturan yang diketahui sebagai panduan bagi daerah yang terkena pandemik influenza. 2 Mana bencana kekeringan? Palu - Bencana kekeringan

ternyata tidak hanya melanda areal produktif di sejumlah kabupaten di Sulawesi Tengah.

(35)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Bahkan Kota Palu yang sebagian

warganya hidup dari pertanian pun kebagian.

indosiar010903 Dari 38.694 hektar areal produktif

yang ada di Kota Palu, 1113 hektar diantaranya dilanda kekeringan.

''Areal terluas yang dilanda kekeringan itu berada di Mamboro, 327 hektar dan Pantoloan, 299 hektar,''jelasnya. Dalam surat tersebut, disampaikan sehubungan dengan bencana kekeringan yang melanda sebagian wilayah Sulteng termasuk Kota Palu maka kiranya dapat dialokasikan dana anggaran untuk menanggulangi keadaan tersebut

Jawa Barat - Puluhan hektar sawah diwilayah Cirebon, Kuningan dan Indramayu terancam puso karena kekeringan.

indosiar170603 Sekitar 50 ribu hektar lahan

tanaman padi di Indramayu, Kuningan, Majalengka dan Cirebon, dilanda kekeringan akibat berkurangnya curah hujan yang turun diwilayah tersebut. Bencana kekeringan selama musim kemarau hingga pertengahan tahun 2003 juga terjadi di Kabupaten Majalengka. Banyumas - Musim kemarau yang akan terjadi pada pertengahan bulan Juni mendatang akan mengakibatkan sekitar 2.400 hektare lahan pertanian di Kabupaten Banyumas, Jateng

mengalami kekeringan. indosiar220503 Lahan pertanian yang dipastikan

mengalami kekeringan itu terdapat di Kecamatan Rawalo, Jatilawang, Wangon, Purwojati, Ajibarang, Jatilawang, Lumbir dan Gumelar.

(36)

Lampiran 1 Lanjutan

diharapkan

Nama Dokumen jawaban Menurut Budi, lokasi

kekeringan di Kecamatan Rawalo tepatnya akan terjadi di Desa Tambaknegara dengan luas 60 ha, Desa Rawalo 45 ha, Desa Menganti 45 ha, Desa Losari 40 ha, Desa

Karanglewas 15 ha, dan Desa Adisara seluas 10 ha.

indosiar220503

Mereka kehilangan penghasilan karena tidak ada lagi ikan yang ditangkap setelah empang-empang yang ada mengalami kekeringan.

indosiar260803-003

Bencana kekeringan tahun ini yang melanda hampir diseluruh Pulau Jawa, meski dinilai masih normal, namun cukup membuat masyarakat terutama petani was-was.

Musibah ini juga diderita Seneng (56), warga Wonogiri, Jawa Tengah, lahan pertanian yang dikelolanya bertahun-tahun kini terpaksa ditinggalkan karena kering kerontang kekurangan air

indosiar260803-003

Tagor menyebutkan,

penyuluhan mengenai antisipasi kemarau itu diprioritaskan di tiga kabupaten yang selama ini selalu terkena kekeringan seperti Kabupaten Batanghari, Bungo dan sebagian

Tanjungjabung Timur.

indosiar310504 Sentra-sentra pangan di tiga

kabupaten itu selalu terkena kekeringan karena petani banyak menggarap lahan rawa, sawah tadah hujan dan ladang di kawasan DAS

Daerah pertanian tanaman pangan yang selalu terkena kekeringan di tiga kabupaten itu, selama ini mencapai 240 hektare atau sekitar 1,5 persen dari luas areal tanaman pangan sekitar 16