BAB IV
PENENTUAN JENIS KATA (PART OF SPEECH TAGGING) UNTUK BAHASA INDONESIA
Pada Bab IV ini akan dijelaskan mengenai proses-proses yang diperlukan dalam proses penentuan jenis kata (part of speech tagging) yang diambil dari kamus maupun yang tidak ada dalam kamus. Gambaran proses penentuan jenis kata dapat dilihat pada Gambar IV-1.
kalimat yang mengandung kata yang akan ditentukan jenis katanya diambil per kata untuk ditentukan jenis katanya
mengambil data
melihat jenis kata di dalam kamus
jika ditemukan
jika tidak ditemukan leksikon memprediksi jenis kata dengan aturan morfologi jika tidak dapat diprediksi
jika dapat diprediksi
memprediksi jenis kata dengan metode bigram
grammar
memberikan tag jenis kata pada kata POS tagging
kata selanjutnya semua kata dalam kalimat masukan telah ditentukan jenis katanya
Gambar IV-1 Proses Penentuan Jenis Kata
IV-1
Proses penentuan jenis kata akan dilakukan dalam tiga tingkat, tapi jika penentuan jenis kata pada setiap tingkat telah berhasil maka tingkat selanjutnya tidak perlu dialui. Tingkat yang pertama adalah melihat pada kamus yang telah disiapkan, jika kata ada dalam kamus maka tag akan langsung diberikan pada kata, jika tidak maka akan dilanjutkan ke proses tingkat berikutnya. Tingkat berikutnya adalah memeriksa morfologi kata dan mencoba menentukan jenis kata menggunakan aturan morfologi pada bahasa Indonesia. Jika kata dapat diprediksi maka hasil dari tingkatan proses tersebut juga dapat digunakan untuk memperkaya kamus. Jika kata masih belum bisa ditentukan jenis katanya maka pada tingkatan ketiga akan digunakan metode bigram untuk memprediksi jenis kata. Jika kata dapat diprediksi maka hasil dari bigram juga akan digunakan untuk memperkaya kamus. Jika kata belum dapat diprediksi jenis katanya maka kata akan diberi label X (unknown).
IV.1 Leksikon/Kamus Proses POS tagging tidak akan berjalan tanpa adanya leksikon/kamus. Dipilih berbasis kamus karena menurut penelitian yang dilakukan Fadillah Z. Tala (2003) bahwa pemrosesan temu balik informasi POS tagging dan stemming untuk bahasa Indonesia lebih baik berbasis kamus yang menghasilkan lebih sedikit kesalahan dibanding berbasis aturan [26]. Kamus kata yang digunakan adalah kamus KEBI (Kamus Elektronik Bahasa Indonesia) yang didapat dari ITB. KEBI merupakan Kamus Bahasa Indonesia - Bahasa Inggris yang dikembangkan oleh Badan Pengkajian dan Penerapan Teknologi (BPPT) yang boleh digunakan untuk keperluan riset. Kamus ini mengandung 29.396 kata berbahasa Indonesia. Jenis kata dalam kamus dikelompokkan menjadi lima belas jenis kata antara lain kata sifat (adjektiva), kata keterangan (adverbia), kata sandang (dibedakan menjadi
determiner dan article), kata bantu (auxiliary), kata hubung (konjungsi), kata seru (interjeksi), kata benda (nomina), kata bilangan (dibedakan menjadi numeral dan
ordinal), kata tugas partikel, kata fatis (kata yang menekankan seperti assalamualaikum, bismillah), kata depan (preposisi), kata ganti (pronomina), dan kata kerja (verba). Namun kamus KEBI tidak dapat langsung digunakan karena
IV-2
harus diubah menjadi format leksikon pada pengurai Collins. Proses yang harus dilakukan untuk mempersiapkan kamus antara lain:
Menghapus frase pada kamus (kamus KEBI juga memuat frase)
Mengurutkan kata pada kamus KEBI
Diubah formatnya menjadi [kata] [jenis_kata] [klasifikasi]
misal menjadi cangkul NN 0
dimana klasifikasi diisi dengan 0 jika kata termasuk jarang muncul (dihitung probabilitasnya pada file treebank) dan diisi dengan 1 jika kata tergolong sering muncul. Pengklasifikasian jarang atau sering muncul dihitung secara probabilistik kemunculan kata saat proses pembelajaran menggunakan treebank dengan nilai threshold yang ditentukan oleh penulis yaitu 0.3. Kamus ini akan menjadi kamus awal yang disiapkan dan akan terus diperkaya seiring dengan banyaknya pohon kalimat pada treebank yang digunakan untuk pembelajaran. Pada saat sistem melakukan pembelajaran maka akan digunakan metode bootstrapping untuk memperkaya kamus seperti pada Gambar IV-2.
Bootstrapping dalam konteks tesis ini merupakan proses memperkaya leksikon kamus dengan menggunakan treebank untuk menambah leksikon beserta jenis katanya.
IV-3
treebank
Pembelajaran diuraikan menjadi struktur pohon dalam struktur program per kalimat
pembangkitan events leksikon
bootstrapping
file events Gambar IV-2 Proses Memperkaya Kamus
IV.2 Morfologi Tata Bahasa Indonesia Morfologi (ilmu tata kata) adalah cabang ilmu bahasa yang mengidentifikasi satuan-satuan dasar bahasa sebagai satuan makna yang dapat berubah-ubah bergantung pada urutan kata, intonasi, bentuk, serta kata tugas penentu kalimat (gramatikal). Morfologi dapat digunakan untuk mengidentifikasi jenis sebuah kata bentukan dari kata dasar yang berimbuhan. Oleh karena itu morfologi juga diperlukan untuk memprediksi jenis kata yang tidak ada di dalam kamus.
IV.2.1 Jenis Kata Kata adalah satuan sintaksis (makna) dalam tutur atau kalimat. Penamaan jenis kata mengacu pada Penn treebank yang juga digunakan oleh pengurai Collins dengan penambahan jenis kata jika tidak ada pada Penn treebank [20] (misal untuk jenis tanda baca, pada tesis ini menggunakan PU sedangkan pada pengurai
IV-4
Collins diberi tag yang sama dengan tanda baca itu). Daftar penamaan jenis kata (tag) yang digunakan dalam tesis ini dapat dilihat pada Tabel IV-1.
Tabel IV-1 Penamaan Jenis Kata yang Digunakan
Simbol JJ
Jenis Kata Adjektiva
Keterangan Kata sifat; kata yang memberi penjelasan tentang suatu benda
Contoh cantik, baik, buruk
RB
Adverbia
Kata keterangan
nanti, sekarang
AR
Artikula
Kata sandang
si, sang
CC
Konjungtor Koordinatif
Kata hubung yang menghubungkan klausa pada kalimat majemuk setara.
dan, lalu
CS
Konjungtor Subordinatif
Kata hubung pada kalimat majemuk bertingkat
ketika, walaupun
MD
Modal
Kata Keterangan Modalitas
boleh
PR
Pronomina
Kata ganti; kata yang dipakai untuk menggantikan kata atau yang dibendakan
saya, itu
WH
Kata Tanya
Kata yang digunakan untuk menanyakan sesuatu
siapakah, bagaimanakah
NN
Nomina
Kata benda; kata yang menyebut benda atau yang dibendakan
buku, meja, orang
CD
Numeralia
Kata bilangan; kata yang menyatakan jumlah benda atau jumlah kumpulan atau jurusan dari nama-nama benda
seribu
IN
Preposisi
Kata depan; kata yang merangkaikan katakata atau bagian-bagian kalimat
di, ke, dari
UH
Interjeksi
Kata seru
ai, ah, ceile
RP
Partikel
Kata tugas partikel
pun, per
VB
Verba
Kata kerja; kata yang bermakna melakukan aktivitas atau kegiatan, atau lebih jelas kalau dikatakan melakukan pekerjaan
mencoba, lempar, menari
AUX
Kata bantu
Kata bantu
akan, dapat
FW
Kata asing
Kata asing
download, notebook
PU
Tanda baca
Tanda baca
., , , :, (, ), “, ‘, ”, ’
SYM
Simbol matematika
Simbol matematika
+, #, $
unknown
Kata yang tidak dapat diprediksi jenis katanya
X
IV-5
Jenis kata akan menjadi simbol terminal pada tesis ini. Penjelasan selengkapnya mengenai jenis-jenis kata dapat dilihat di Lampiran 1. Simbol-simbol non terminal yang digunakan pada tesis juga meliputi simbol yang menyatakan sub kalimat atau frase (satuan makna yang terdiri lebih dari satu kata yang memiliki jabatan tertentu pada kalimat). Simbol-simbol non-terminal untuk subkalimat/frase yang digunakan dalam tesis ini dapat dilihat pada Tabel IV-2.
Tabel IV-2 Simbol Non Terminal
Simbol
Keterangan
S ADJP
Kalimat frase yang adjektiva)
ADVP
frase yang menyatakan keterangan (frase adverbia)
NP
frase yang nomina)
SBAR
sub kalimat majemuk
SBARQ
sub kalimat setelah kata tanya
VP
frase yang menyatakan kerja (frase verba)
menyatakan
menyatakan
sifat
(frase
benda
(frase
IV.2.2 Imbuhan Imbuhan dalam bahasa Indonesia adalah tambahan yang melekat pada kata untuk membentuk sebuah makna baru [21]. Imbuhan dapat digunakan untuk memprediksi kata-kata yang tidak ada di dalam kamus. Imbuhan pada bahasa Indonesia antara lain prefiks atau awalan, sufiks atau akhiran, infiks atau sisipan, dan konfiks (imbuhan di depan dan di belakang kata dasar). Prefiks disebut juga awalan. Prefiks adalah afiks (imbuhan) yang ditempatkan di bagian muka suatu kata dasar. Kumpulan awalan yang ada dalam bahasa Indonesia dapat dilihat pada Lampiran 2 berikut jenis kata yang dapat dibentuk dari awalan. Sufiks atau akhiran adalah afiks (imbuhan) yang digunakan di bagian belakang kata. Kumpulan akhiran yang ada dalam bahasa Indonesia dapat dilihat pada Lampiran 3 berikut jenis kata yang dapat dibentuk dari akhiran. Infiks atau sisipan adalah
IV-6
afiks (imbuhan) yang diselipkan di tengah kata dasar. Infiks tidak digunakan pada tesis ini karena sangat sulit mendeteksinya. Infiks yang ada pada bahasa Indonesia misalnya –in-, -em-, -el-, dan –er-. Konfiks adalah afiks (imbuhan) yang ada di depan dan di belakang kata dasar secara bersamaan. Kumpulan konfiks yang ada dalam bahasa Indonesia dapat dilihat pada Lampiran 4 berikut jenis kata yang dapat dibentuk dari konfiks. Kaidah bahasa Indonesia memiliki aturan imbuhan yang akan membentuk suatu jenis kata. Aturan-aturan imbuhan yang ada dalam bahasa Indonesia dapat dilihat pada Tabel IV-3.
Tabel IV-3 Aturan Imbuhan [21]
Pola Imbuhan meN + kata dasar (jenis kata bebas) + kan peN-ber + kata dasar (jenis kata bebas) + an ke-ber- + kata dasar (jenis kata bebas) + an kata dasar (jenis kata kerja, kata benda, kata sifat) + i beR- + kata dasar teR- + kata dasar
Contoh
Jenis Kata
mengantuk, mengkritik
kata kerja (verba)
pelukis, pemburu
kata benda (nomina)
kebersamaan, keberterimaan terangi, sinari
kata benda (nomina)
becermin, beserta, berternak, bekerja terbawa, tertidur
kata kerja (verba)
kata kerja (verba)
kata kerja (verba)
Penjelasan selengkapnya mengenai aturan imbuhan dan variasinya dapat dilihat pada Lampiran 5.
IV.2.3 Pengulangan Kata Pengulangan kata dalam bahasa indonesia dipisahkan dengan menggunakan tanda hubung (-). Pengulangan juga dapat membentuk sebuah arti gramatikal (makna yang berubah sesuai dengan kalimat) dari bentuk kata dasarnya. Pengulangan kata dasar akan membentuk jenis kata sesuai dengan jenis kata jika tidak diulang misal “cepat-cepat” memiliki kata dasar “cepat” yang berjenis kata keterangan maka kata “cepat-cepat” akan berjenis kata keterangan. Contoh lain misalnya bukubuku yang berarti kumpulan buku merupakan pengulangan dari kata dasar buku yang merupakan kata benda maka buku-buku juga merupakan kata benda. Adapun kata pengulangan yang merupakan satu kesatuan kata benda misal kupu-kupu,
IV-7
laba-laba. Pengulangan juga dapat disertai imbuhan sehingga membentuk makna gramatikal yang bisa berbeda dengan kata dasarnya. Aturan pengulangan berimbuhan dalam bahasa Indonesia dapat dilihat pada Tabel IV-4.
Tabel IV-4 Aturan Pengulangan Kata Berimbuhan
Pola
Contoh
Jenis Kata
ke + kata dasar (jenis kata bebas) kebarat-baratan
kata benda (nomina)
yang diulang + an ber + kata dasar yang diulang berlari-lari
kata kerja (verba)
(jenis kata kerja) ber + kata dasar yang diulang berlama-lama, (jenis kata benda)
berjam- kata
jam
kata dasar (jenis kata kerja) + tanam-menanam
keterangan
(adverbia) kata kerja (verba)
meN + kata dasar (jenis kata kerja) se- + kata dasar + -nya
secepat-cepatnya,
kata sifat atau edjektiva
sepandai-pandainya, sebaik-baiknya
Pengulangan juga ada yang merupakan pengulangan berubah bunyi seperti bolakbalik, sayur-mayur, gerak-gerik. Pengulangan ini akan dicari di kamus kedua katanya, jika ada salah satu maka dapat simpulkan jenis katanya karena jenis pengulangan ini akan membentuk kata sesuai kata asal yang diulang, tapi berubah bunyi.
IV.2.4 Proses Pemeriksaan Imbuhan Mengacu pada penelitian yang dilakukan oleh Femphy Piceldo dkk (2008) [22] mengenai penganalisis morfologi pada bahasa Indonesia bahwa pemeriksaan imbuhan pada sebuah kata memiliki urutan proses tertentu agar tidak terjadi kesalahan pengenalan kata dilihat dari segi morfologi pada bahasa Indonesia. Pada penelitian Femphy Piceldo [22], proses dimulai dengan memeriksa awalan kata. Hasil kata dasar dari pemisahan awalan akan diperiksa di dalam kamus apakah
IV-8
ada kata dasarnya, jika ada maka kata sudah dapat diprediksi jenis katanya dengan hanya menggunakan awalan. Jika kata belum dapat diprediksi maka akan diperiksa akhiran kata, dicari kata dasarnya beserta gabungan hasil proses sebelumnya (apakah ada pengulangan atau awalan), jika ada di kamus maka kata sudah dapat diprediksi jenis katanya. Jika kata tidak mengandung awalan maka akan diperiksa apakah kata merupakan pengulangan kata dasar, jika benar maka kata dasarnya diperiksa di kamus, jika ada maka kata dapat diprediksi jenis katanya. Jika kata masih belum dapat diprediksi maka dilakukan pemeriksaan apakah kata merupakan kata pengulangan berimbuhan dan dicoba mencari kata dasarnya di kamus, jika ada maka kata dapat diprediksi jenis katanya. Untuk semua tahapan pemeriksaan kata. jika hanya dengan menggunakan pola imbuhan kata sudah dapat diprediksi maka tidak perlu mencari kata dasar di dalam kamus, misal bila ada pola imbuhan tertentu yang digabungkan dengan kata dasar jenis apapun akan membentuk suatu jenis kata tertentu. Pada tesis ini akan ditambahkan beberapa proses pemeriksaan untuk menentukan jenis kata, misalnya seperti pemeriksaan apakah kata termasuk kata singkatan yang ditandai dengan huruf besar semua, kata singkatan akan diberi label NN yang berarti kata benda, atau apakah kata termasuk kata bilangan jika ada karakter berupa angka pada kata, atau apakah kata termasuk kata nama yang ditandai dengan penulisan huruf besar di awal kata, kata nama diberi label NN yang berarti kata benda. Urutan proses yang harus dilakukan untuk menganalisis morfologi pembentukan kata pada bahasa Indonesia dapat dilihat pada Gambar IV-3. Penjelasan mengenai struktur data dan format penulisan file untuk keperluan POS
tagging menggunakan aturan morfologi yang digunakan pada tesis ini dapat dilihat pada Lampiran 14.
IV-9
kata
Pemeriksaan kata bilangan jika belum dapat diprediksi jenis katanya Pemeriksaan kata singkatan jika belum dapat diprediksi jenis katanya Pemeriksaan awalan saja untuk mendapatkan kata dasarnya jika belum dapat diprediksi jenis katanya Pemeriksaan akhiran
jika sudah dapat diprediksi jenis katanya
jika belum dapat diprediksi jenis katanya Pemeriksaan awalan dan akhiran jika belum dapat diprediksi jenis katanya Pemeriksaan pengulangan jika belum dapat diprediksi jenis katanya Pemeriksaan kata nama jika belum dapat diprediksi jenis katanya Penyimpulan tag (jenis kata)
jika sudah dapat diprediksi tag (jenis kata)
jika belum dapat diprediksi jenis katanya memprediksi jenis kata dengan metode bigram
Gambar IV-3. Urutan Proses Prediksi Jenis Kata dengan Morfologi
IV.3 Prediksi Jenis Kata dengan Metode Bigram Model N-gram adalah sebuah tipe model probabilistik untuk memperkirakan elemen selanjutntya pada sebuah urutan. N-gram digunakan untuk berbagai area statistik dari pemrosesan bahasa alami dan analisis urutan genetik. Sebuah n-gram adalah sebuah sub-urutan dari sejumlah n elemen dari urutan yang diberikan. Elemen dapat berupa fonem, huruf, kata tergantung dari kebutuhan aplikasi [27].
IV-10
Model bigram adalah model n-gram yang hanya melibatkan dua buah elemen. Model bigram menggunakan teorema bayes dalam perhitungannya yaitu:
P (Wn 1 , Wn ) P (Wn 1 )
P(Wn|Wn-1) =
(IV-1)
dimana P adalah probabilitas kata yang diberikan oleh kata sebelumnya. Sebuah kalimat akan memiliki probabilitas sebagai berikut: n
P ( w1n ) P ( wk |wk 1)
(IV-2)
k 1
sehingga jika probabilitas bigram diterapkan pada sebuah kalimat “I want to eat Chinese food” maka probabiltasnya adalah sebagai berikut:
P(I want to eat Chinese food) = P(I | <start>) * P(want | I) * P(to | want) * P(eat | to) * P(Chinese | eat) * P(food | Chinese)
(IV-3)
Metode bigram yang digunakan pada tesis ini menggunakan dua buah jenis aturan
grammar untuk mencari jenis kata. Aturan grammar yang pertama adalah aturan grammar yang memiliki simbol jenis kata sama dengan kata di depan kata yang dicari jenis katanya, sedangkan jenis aturan grammar kedua adalah aturan
grammar yang memiliki simbol jenis kata sama dengan kata di belakang kata yang dicari jenis katanya. Misalnya kata yang akan dicari jenis katanya adalah “guru” dalam kalimat “Bapak guru menulis di papan tulis” maka aturan grammar yang akan dihitung probabilitasnya adalah aturan grammar yang memenuhi halhal berikut:
IV-11
Aturan grammar memiliki simbol awal yang sama dengan tag kata sebelum kata yang dicari, misal NP → NN NN NN yang pertama sama dengan tag kata “Bapak” maka aturan grammar ini masuk dalam kumpulan grammar yang akan dihitung probabilitasnya,
Aturan grammar memiliki simbol akhir yang sama dengan tag kata setelah kata yang dicari, misal VP → JJ VB VB sama dengan tag kata “menulis” maka aturan grammar ini masuk dalam kumpulan grammar yang akan dihitung probabilitasnya
Misalkan ada aturan grammar NP → NN NN VP → NN VB maka aturan VP → NN VB tidak akan dimasukkan pada kumpulan aturan
grammar yang akan dihitung probabilitasnya karena memiliki kesimpulan tag yang sama untuk kata yang dicari tag-nya (NN), tapi kemunculan aturan grammar kedua akan dimasukkan dalam jumlah kemunculan aturan
grammar pertama. Aturan grammar pada pengurai Collins ditulis dengan aturan triple. Aturan penulisan aturan grammar pada pengurai Collins dapat dilihat pada Lampiran.7 dan Lampiran 13. Perhitungan akan dilakukan dengan menggunakan probabilitas. Pada kumpulan aturan grammar yang terpilih akan dipilih probabilitas yang paling besar. Perhitungan probabilitas aturan grammar dihitung dengan menggunakan rumus berikut:
P(untuk tag kata yang dicari) =
jumlah( pola tata bahasa yang memiliki bagian NN untuk kata yang dicari) jumlah( pola tata bahasa ) (IV-4)
IV-12
Pola yang memiliki probabilitas terbesar akan digunakan untuk pelabelan pada kata yang dicari jenis katanya. Secara garis besar proses perhitungan probabilistik bigram pada tesis ini seperti pada Gambar IV-4.
kalimat yang mengandung kata yang tidak bisa diprediksi kelas katanya
periksa kata di depan dan di belakang kata yang tidak dapat diprediksi kelas katanya
cari pola tata bahasa/aturan grammar yang mengandung simbol jenis kata di depan kata yang akan diprediksi jenis katanya
cari pola tata bahasa/aturan grammar yang mengandung simbol jenis kata di belakang kata yang akan diprediksi jenis katanya
memberikan tag pada kata yang tidak diketahui jenis katanya berdasarkan aturan grammar yang memiliki probabilitas terbesar
kelas kata/tag Gambar IV-4 Urutan Proses Prediksi Jenis Kata dengan Metode Bigram
IV-13
