PENAMBAHAN MODUL PEMBENTUKAN WORD GRAPH KATA KERJA PADA APLIKASI BOGORDELFTCONSTRUCT CHRISTIAN HENRY

Transkripsi

1 PENAMBAHAN MODUL PEMBENTUKAN WORD GRAPH KATA KERJA PADA APLIKASI BOGORDELFTCONSTRUCT CHRISTIAN HENRY DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011

2 ABSTRACT CHRISTIAN HENRY. The development of verb word graph module in BogorDelftConstruct appplication. Directed by SRI NURDIATI. Knowledge Graph (KG) is one of natural language processing methods that is able to represent the result of semantic analysis of a text in a graph form. Until now, there are only a few researches using KG to do semantic analysis for texts in Indonesian language. They were mainly focus on analyzing text, constructing rules to analyze text and engineering to understand the text. Some other researches have done semantic analysis from various part-of-speech. Nevertheless, the results of the research have not been implemented yet. To realize a long term goal of doing text abstraction automatically, BogorDelftConstruct has been developed as an early stage prototype. In line with that, this research implemented semantic analysis for one part-of-speech in BogorDelftConstruct. The objective of the research is to develop a module dictionary of verb word graph taken from the result of previous research in BogorDelftConstruct system. The verb to be analyzed has 10 patterns of word graph which formed by affixation. Word graph pattern formation process begins by knowing the basic word and affix using stemming. This stemming process refers to the adjusted Kamus Besar Bahasa Indonesia (KBBI). Basic word and affixe from the result of stemming will be used to determine appropriate pattern of the verb word graph. Appropriate pattern of the verb word graph will be generated and displayed on the system. Development of a verb word graph module has been able to identify 10 patterns of the verb word graph. The system however can only recognize one-word-verb so each entry is assumed to be intransitive verb that does not need to be followed by an object. The results of testing with 171 entries from overall yield was 98.83% accuracy. Despite of having a good accuracy, this system still has some short comings, such as could not process input with more than one words. This problem is expected to be the focus of the following research. Keywords: knowledge graph, BogorDelftConstruct, verb word graph, stemming. ii

3 PENAMBAHAN MODUL PEMBENTUKAN WORD GRAPH KATA KERJA PADA APLIKASI BOGORDELFTCONSTRUCT CHRISTIAN HENRY Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 iii

4 Judul skripsi Nama NRP :Penambahan Modul Pembentukan Word Graph Kata Kerja pada Aplikasi BogorDelftConstruct : Christian Henry : G Menyetujui, Dr. Ir. Sri Nurdiati, M.Sc Pembimbing Mengetahui, Ketua Departemen Dr. Ir. Sri Nurdiati, M.Sc NIP: Tanggal lulus: iv

5 RIWAYAT HIDUP Penulis dilahirkan di Tulungagung, Jawa Timur pada tanggal 21 Desember 1985 dari Bapak Enantius Prihantoro dan Ibu Wiwik Dwi Astuti. Penulis merupakan putra pertama dari dua bersaudara. Penulis lulus dari SMA Negeri 1 Tangerang pada tahun 2004 dan pada tahun yang sama penulis lulus seleksi masuk IPB melalui jalur Ujian Masuk Perguruan Tinggi Nasional (UMPTN). Penulis memilih Program Studi S1 Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada tahun 2007 penulis melakukan Praktek Kerja Lapangan di PT. Indosat, Tbk., Jakarta selama 2 bulan. v

6 PRAKATA Puji dan hormat penulis panjatkan kepada Tuhan YME atas segala berkat dan kasih sayangnya sehingga karya ilmiah ini berhasil diselesaikan. Syukur juga penulis panjatkan kepada Yesus Kristus atas segala teladan dan penyertaan-nya dalam setiap kehidupan penulis. Tema yang dipilih dalam penelitian ini adalah pengimplementasian metode Knowledge Graph pada pengembangan kamus kata kerja, dengan judul Penambahan Modul Pembentukan Word Graph Kata Kerja pada Aplikasi BogorDelftConstruct. Penelitian dilakukan sejak Januari 2010 sampai dengan Maret Terima kasih penulis ucapkan kepada 1. Papi dan Mami untuk doa, kasih sayang dan dukungan motivasi yang tak terhingga. Ungkapan terima kasih juga penulis sampaikan untuk adik, Rizal atas diskusi dan dukungannya. Terima kasih juga tak lupa penulis sampaikan kepada keluarga besar penulis. 2. Ibu Dr. Ir. Sri Nurdiati M.Sc selaku pembimbing atas waktu, kesempatan, saran, bimbingan dan pengertian yang selalu 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 penelitian ini hingga sidang tugas akhir. 4. Annissa untuk ilmu, diskusi dan dukungan bagi penulis. 5. Felly Iglesia untuk dukungan dan motivasi baik secara moral maupun spiritual. 6. Beberapa teman dari ILKOM S1 angkatan 41 yang selalu memberikan dukungan dan semangat. 7. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu penulis dalam menyelesaikan penelitian ini. Karya ilmiah ini masih jauh dari sempurna, dengan segala kerendahan hati penulis mengharapkan kritik dan saran yang membangun bagi karya ilmiah ini. Penulis berharap semoga karya ilmiah ini dapat memberikan manfaat bagi sang pembaca. Bogor, Mei 2011 Christian Henry vi

7 DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... viii DAFTAR TABEL... viii DAFTAR LAMPIRAN... ix PENDAHULUAN... 1 Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat... 1 TINJAUAN PUSTAKA... 1 Knowledge Graph (KG)... 1 Concept (konsep)... 2 Aspek Ontologi... 2 Verba (kata kerja)... 3 METODE PENELITIAN... 4 HASIL DAN PEMBAHASAN... 5 KESIMPULAN DAN SARAN... 9 Kesimpulan... 9 Saran DAFTAR PUSTAKA LAMPIRAN vii

8 DAFTAR GAMBAR Halaman Gambar 1 Contoh relasi ALI... 2 Gambar 2 Contoh relasi CAU... 2 Gambar 3 Contoh relasi EQU... 2 Gambar 4 Contoh relasi SUB... 2 Gambar 5 Contoh relasi DIS... 2 Gambar 6 Contoh relasi PAR... 2 Gambar 7 Contoh relasi ORD... 3 Gambar 8 Contoh relasi SKO... 3 Gambar 9 Contoh relasi Focus... 3 Gambar 10 Frame relationship... 3 Gambar 11 Tahapan penelitian... 4 Gambar 12 Graf hasil pengujian kata digarami... 7 Gambar 13 Graf hasil pengujian kata menari-nari... 7 DAFTAR TABEL Halaman Tabel 1 Pola pembentukan word graph kata kerja... 5 Tabel 2 Akurasi hasil pengujian... 7 Tabel 3 Hasil Pengujian word graph kata kerja Pola-teri... 8 viii

9 DAFTAR LAMPIRAN Halaman Lampiran 1 Diagram Alir Penambahan Modul Word Graph Kata Kerja Lampiran 2 Pola Word Graph Kata Kerja Lampiran 3 Pengujian Pola-vdasar Lampiran 4 Pengujian Pola-mekani Lampiran 5 Pengujian Pola-diter Lampiran 6 Pengujian Pola-meku Lampiran 7 Pengujian Pola-beran Lampiran 8 Pengujian Pola-bermeke Lampiran 9 Pengujian Pola-teri Lampiran 10 Pengujian Pola-kkdu Lampiran 11 Pengujian Pola-fixku Lampiran 12 Pengujian Pola-berku ix

10 PENDAHULUAN Latar Belakang Bahasa alami yang digunakan manusia untuk berkomunikasi satu sama lain sangat bermanfaat dan penting dalam penyampaian informasi secara langsung. Di lain pihak, komputer masih sulit untuk memahami bahasa alami manusia. Dalam ilmu komputer bidang yang secara spesifik mempelajari cara komunikasi antara manusia dan komputer adalah Natural Language Processing (NLP). Sebuah kalimat dalam bahasa alami dapat dianalisis dari sudut pandang semantik atau sintaksis. Knowledge Graph merupakan salah satu metode dalam NLP yang menganalisis bahasa alami dengan lebih berfokus pada semantik daripada sintaksis. Pengimplementasian metode Knowledge Graph pada bahasa alami diharapkan mampu memberikan abstraksi dari informasi atau pengetahuan yang terkandung di dalamnya ke dalam bentuk graf. Salah satu penelitian yang telah berhasil mengimplementasikan metode Knowladge Graph pada suatu bahasa alami adalah DelftConstruct yang dikembangkan oleh Mark Van Koningsveld pada tahun DelfConStruct merupakan sebuah prototype aplikasi untuk menganalisis Bahasa Inggris dan disajikan ke dalam bentuk graf dengan menggunakan metode Knowladge Graph. DelftConstruct dibangun menggunakan bahasa pemrograman MATLAB yang dapat membentuk suatu graf antara suatu kata dengan kata lainnya (word graph), namun belum sesuai dengan konsep Knowladge Graph (Romadoni 2009). Selain itu, DelftConstruct memiliki beberapa kekurangan antara lain: Belum memiliki fitur Dictionary untuk menyimpan, menampilkan dan mengubah graf. Ketidakjelasan arah relasi antar token, karena tidak adanya tanda panah yang menunjuk dari dan/atau ke suatu token. Belum memiliki kemampuan untuk membuat graf baru. Hanya mampu mengubah graf yang sedang ditampilkan. Belum mampu untuk menghapus token dan/atau teks. Tidak memiliki mekanisme untuk menampilkan graf lain yang sudah dibuat. Dengan keterbatasan DelfConStruct yang hanya mampu menganalisis teks berbahasa Inggris maka dikembangkan BogorDelftConstruct yang nantinya mampu menganalisis teks bahasa Indonesia dengan visualisasi graf sesuai yang dengan konsep Knowledge Graph. Dengan pembentukan modul word graph yang ada pada Bogor DelfConStruct maka akan dikembangkan modul word graph untuk kata kerja. Analisis bentuk dan makna dari kata kerja telah dilakukan pada penelitian sebelumnya oleh Ahmad Muslik (2009) yang menghasilkan pola aturan dari kata kerja. Penelitian ini mengembangkan modul pembentukan word graph kata kerja pada aplikasi BogorDelftConstruct berdasarkan aturan tersebut. Tujuan Penelitian ini bertujuan untuk menambahkan modul pembentukan word graph pada sistem aplikasi Bogor DelfConStruct. Hasil dari penelitian ini berupa word graph yang merepresentasikan kata kerja berdasarkan hasil analisis aturan dari penelitian sebelumnya. Ruang Lingkup Penelitian ini dibatasi pada pengembangan modul pembentukan word graph untuk kata kerja pada sistem BogorDelftConstruct dengan menggunakan pola aturan dari hasil penelitian sebelumnya oleh Ahmad Muslik (2009). Berikut ini merupakan batasan-batasan sistem, pada pengembangan yang dilakukan: a. Pada sistem ini yang menjadi masukan hanyalah kata dan posisi kata dalam kalimat tidak diperhatikan. b. Makna semantik dari kata kerja tidak diperhatikan. c. Pada saat proses pengecekan kata, sifat atau label dari kata dasar berdasarkan kamus. Manfaat Manfaat jangka panjang penelitian ini adalah dibentuknya suatu sistem yang mampu membaca input berupa teks Bahasa Indonesia dan menghasilkan output berupa ringkasan atau informasi tentang teks tersebut secara otomatis. Selain itu dalam jangka pendek, sistem ini diharapkan mampu memberikan pengetahuan atau mengekspresikan makna kata kerja dalam bentuk word graph. TINJAUAN PUSTAKA Knowledge Graph (KG) Knowledge Graph adalah cara pandang baru untuk menggambarkan bahasa manusia dengan difokuskan pada aspek semantik dari pada 1

11 sintatik. KG memiliki beberapa keuntungan yang sangat besar. KG memiliki kemampuan menyatakan lapisan semantik yang paling dalam dengan hanya menggunakan sejumlah terbatas jenis relasi yang berguna dalam pemahaman bahasa manusia. Pada prinsipnya, komposisi dari KG mencakup concept (banyak token dan type) serta relationship (binary dan multivariate relation) (Zhang 2002). Concept (konsep) Token Dalam KG, token dinyatakan dengan simbol. Token menyatakan segala sesuatu yang dialami di dunia nyata atau sebuah konsep yang dialami menurut cara pandang masing-masing (Zhang 2002). Type Type adalah sebuah konsep yang bersifat umum dan objektif. Type memberi pandangan yang bersifat objektif karena membagi token yang berbeda ke dalam kelas yang sama. Aspek Ontologi Menurut Zhang (2002), ontologi word graph terdiri atas 8 binary relationships dan 4 frame relationships. Delapan binary relationships tersebut adalah : 1. Similarity of sets, alikeness : ALI 2. Causality : CAU 3. Equality : EQU 4. Subset relationship : SUB 5. Disparateness : DIS 6. Attribution : PAR 7. Ordering : ORD 8. Information dependency : SKO Berikut penjelasan dari masing-masing binary relationship tersebut: 1. Relasi ALI Digunakan di antara type dan token dengan panah ke arah token untuk penamaan konsep. Contoh: jeruk, dinyatakan dengan word graph: Gambar 1 Contoh relasi ALI 2. Relasi CAU Dilambangkan dengan anak panah berlabel CAU antara dua token yang menyatakan hubungan sebab akibat atau sesuatu yang mempengaruhi sesuatu yang lain. Contoh: adik beli jeruk, dinyatakan dengan word graph: Gambar 2 Contoh relasi CAU 3. Relasi EQU Ada dua macam relasi EQU. Relasi EQU antara dua token menyatakan bahwa kedudukan kedua token tersebut sama, contoh: jeruk adalah buah. Relasi EQU yang dilambangkan dengan arah panah dari type menuju konsep dapat diartikan penetapan sesuatu, contoh: kuning adalah nilai yang ditetapkan untuk warna. Relasi EQU dapat dinyatakan dengan word graph: Gambar 3 Contoh relasi EQU 4. Relasi SUB Digunakan jika dua token dinyatakan berturut-turut serta token yang satu merupakan subset dari token yang lain. Contoh: daun merupakan bagian dari pohon, dinyatakan dengan word graph: Gambar 4 Contoh relasi SUB 5. Relasi DIS Digunakan untuk menyatakan dua token yang berbeda satu sama lain. Contoh: air berbeda dengan api, dinyatakan dengan word graph: Gambar 5 Contoh relasi DIS 6. Relasi PAR Digunakan untuk menyatakan sesuatu merupakan atribut dari sesuatu yang lain. Contoh: air dingin, dinyatakan dengan word graph: Gambar 6 Contoh relasi PAR 2

12 7. Relasi ORD Digunakan untuk menunjukkan dua hal yang saling berurutan dalam hal waktu dan tempat. Contoh: dari pagi hingga malam, dinyatakan dengan word graph: pagi ALI ORD ALI Gambar 7 Contoh relasi ORD malam 8. Relasi SKO Relasi SKO digunakan berdasarkan konsep tentang ketergantungan informasi. Contoh: besar gaji ditentukan dari pangkat, dinyatakan dengan word graph: pangkat ALI SKO ALI Gambar 8 Contoh relasi SKO gaji Di samping 8 binary relationships, ada ontologi F (Focus) yang digunakan untuk menunjukkan fokus dari suatu graf (Nurdiati & Hoede 2009). Ontologi F untuk menunjukkan kata atau kalimat yang diterangkan dalam suatu pernyataan (inti). Contoh: gunung meletus, dinyatakan dengan word graph: gunung ALI F PAR CAU ALI meletus Gambar 9 Contoh relasi Focus Kemudian empat frame relationships terdiri atas: 1. Focusing on a situation : FPAR 2. Negation on a situation : NEGPAR 3. Possibility on a situation : POSPAR 4. Necessity on a situation : NECPAR Frame relationship merupakan verteks berlabel yang digunakan untuk mengelompokkan beberapa graf. Adakalanya suatu objek tidak cukup direpresentasikan dengan sebuah token, sehingga diperlukan sebuah frame untuk pengelompokan tersebut. Berikut penjelasan dari masing-masing frame relationship. Relasi FPAR menyatakan sesuatu memiliki properti dari sesuatu yang lain. Relasi NEGPAR menyatakan negasi dari isi frame. Relasi POSPAR menyatakan kemungkinan dari isi frame. Relasi NECPAR menyatakan keharusan terjadinya isi dari frame. Gambar 10 Frame relationship Verba (kata kerja) Kata kerja atau verba merupakan kelas kata yang menyatakan suatu tindakan, keberadaan, pengalaman, atau pengertian dinamis lainnya. Menurut Alwi et. al (2003) yang diacu dalam Ahmad Muslik (2009), ciri kata kerja dapat diketahui dengan mengamati perilaku semantis, perilaku sintaksis, dan bentuk morfologinya. Kata kerja secara umum mempunyai ciri sebagai berikut: 1. Kata kerja sebagai predikat atau inti predikat. Contoh : pencuri itu lari, adik sedang belajar di kamar. Kata lari merupakan predikat, sedangkan sedang belajar merupakan inti predikat. 2. Ada makna perbuatan (aksi), proses, atau keadaan yang bukan sifat atau kualitas. 3. Kata kerja yang bermakna keadaan tidak dapat diberi prefiks ter yang artinya paling. Contoh: mati atau suka tidak dapat menjadi termati atau tersuka. 4. Secara umum, kata kerja tidak dapat bersatu dengan kata-kata yang maknanya kesangatan seperti agak belajar, agak lari, belanja sekali. Kata Kerja dari segi bentuknya Dari segi bentuk, kata kerja terbagi atas kata kerja dasar dan kata kerja turunan. Contoh kata kerja dasar: ada, bangun, cinta, naik, tamat, paham, rasa, yakin, dan sebagainya. Kata kerja turunan dibentuk dari transposisi, pengafiksan, pengulangan (reduplikasi), dan pemaduan dengan penjelasan sebagai berikut: a. Transposisi Transposisi merupakan suatu proses penurunan kata dari kategori sintaksis yang satu ke kategori sintaksis yang lain tanpa mengubah bentuknya (Alwi et al dalam Muslik 2009). Contoh: telepon, cangkul, sikat. b. Pengafiksan Pengafiksan adalah penambahan afiks pada kata dasar. Kata dasar dapat berupa kata kerja, kata benda, ataupun kata sifat. Contoh: membeli, mendarat, bertemu, merestui, memperbesar. 3

13 c. Reduplikasi Kata-kata yang mengalami proses ini disebut kata berulang, artinya kata kerja yang telah direduplikasi disebut juga kata kerja berulang. Contoh: lari-lari, makanmakan, tembak-menembak, menari-nari. d. Pemaduan Pemaduan merupakan penggabungan dua kata dasar atau lebih sehingga menjadi beberapa kata yang memiliki satu makna. Contoh: jual beli, jatuh bangun, salah sangka. METODE PENELITIAN Pada penelitian ini akan ditambahkan modul pembentukan word graph untuk kata kerja. Tahapan yang dilakukan pada penelitian ini secara garis besar dapat dilihat pada Gambar 11. Studi Literatur Gambar 11 Tahapan penelitian Pada tahap ini dilakukan pengumpulan materi-materi yang dapat digunakan sebagai bahan rujukan yang relevan dengan topik penelitian. Penelitian ini didasarkan pada penelitian sebelumnya, yaitu tesis Ahmad Muslik (2009) Analisis Pembentukan Word Graph Kata Kerja Menggunakan Metode Knowledge Graph serta skripsi Deni Romadoni (2009) Pengembangan Sistem Pembentukan Word Graph Untuk Teks Berbahasa Indonesia. Pembentukan Pola Word Graph Kata Kerja Pembentukan pola word graph kata kerja harus sesuai dengan aturan-aturan pembentukan kata kerja dari hasil analisis Muslik (2009). Pada penelitian Muslik (2009) diperoleh 30 aturan dengan 10 daftar pola kata kerja berdasarkan afiks dan maknanya. Penambahan Modul Pembentukan Word Graph Kata Kerja 1. Praposes Pada tahap ini ditentukan apakah kata kerja yang dimasukkan bersifat tunggal, mengandung numerik/karakter atau tidak. Jika tidak maka proses akan dilanjutkan ke tahap berikutnya. Selain itu, tahap ini juga bertujuan untuk memeriksa nilai masukan, dimana masukan yang akan dapat diproses harus berupa karakter. 2. Stemming Pada tahap ini kata kerja akan dipecah untuk mendapatkan afiks (imbuhan) dan kata dasar. Program stemming dibuat dalam bahasa pemrograman MATLAB akan menghasilkan kata dasar serta imbuhan yang dapat berupa prefiks (awalan), sufiks (akhiran), atau infiks (sisipan). Stemming ini mengacu pada Kamus Besar Bahasa Indonesia (KBBI) yang disesuaikan. Pada KBBI asli terdapat 3 (tiga) field yaitu, Kata, Sifat, dan Subkata. Field Kata berisi kata dasar, field Sifat berisi sifat kata seperti v (verba), n (nomina), dan sebagainya. Field Subkata berisi kata turunan yang terbentuk dari turunan kata dasar yang mengandung imbuhan. Satu kata dasar dapat memiliki lebih dari satu subkata. Untuk penelitian ini, basis data KBBI dibuat dalam tabel Entry. Penentuan Pola Hasil (Pengujian) Pada tahap ini hasil dari stemming yang berupa kata dasar dan imbuhan (afiks) akan dicocokkan dengan pola word graph kata kerja yang telah disimpan. Jika pengenalan polanya sesuai dengan pola word graph kata kerja yang telah disimpan, maka akan ditampilkan graph 4

14 yang sesuai dengan pola tersebut. Di lain pihak, jika hasil dari stemming berupa pola kata dasar dan imbuhan yang tidak ada dalam pola kata kerja menurut Ahmad Muslik (2009) dan gagal dalam proses pengenalan, maka akan ditampilkan peringatan bahwa masukan bukan merupakan kata kerja. Tahapan penambahan kamus word graph kata kerja secara detail dapat dilihat pada Lampiran 1. Analisis Hasil Pada tahap ini pola kata kerja yang telah terbentuk akan dianalisis, apakah sudah sesuai dengan penelitian Muslik (2009) atau belum. Skenario pengujian dilakukan dengan memasukkan beberapa kata kerja kemudian dihitung akurasinya. Penghitungan akurasi dilakukan dengan cara menghitung berapa banyak kata yang dikenali dari beberapa masukkan kata kerja dan sesuai dengan pola word graph. = Dokumentasi dan Laporan 100% Pada tahap ini akan dibahas hasil perhitungan keakuratan dari pengujian dari setiap pola. Jika didapati hasil akurasi yang rendah maka akan dicari sumber permasalahannya. Di lain pihak jika masalah yang dihadapi tidak dapat diatasi, maka akan dimasukkan ke dalam saran untuk penelitian selanjutnya. pembentukan pola word graph, pengujian pola word graph, analisis hasil pengujian. Tabel 1 Pola pembentukan word graph kata kerja Nama Pola Pembentuk Kata Variabel Kerja Pola Dalam Sistem Kata Kerja Dasar (KKD) Ber-KK Meng-/mem-/me-Kata Kerja (KK) Meng-/mem-/me-KK-kan Meng-/mem-/me-Kata Benda (KB)-kan Meng-/mem-/me-Kata Sifat (KS)-kan Meng-/mem-/me-KK-I Meng-/mem-/me-KS-i Meng-/mem-/me-KB-i Memper-KB Memper-KS Memper-KK-kan/i Di-KKtransitif-(-i/-kan) Ter-KKtransitif(-i) Di-KB-i Diper-KS Meng-/mem-/me-Kata Ulang (KU) Pola-vdasar Pola-mekani Pola-diter Pola-meku HASIL DAN PEMBAHASAN Pemahaman Bidang Kajian dan Identifikasi Masalah Pengkajian mengenai pembentukan kamus word graph kata sifat dan sistem aplikasi BogorDelftConstruct didapat dari penelitian sebelumnya, tesis Muslik (2009) dan skripsi Romadoni (2009). Berdasarkan penelitian Muslik (2009) didapat 10 pola word graph yang dibentuk dari 30 aturan kata kerja. Sepuluh pola tersebut diberi nama sesuai dengan nama variabel dalam sistem. Pola pembentukan word graph dapat dilihat pada Tabel 1 dan lebih detail pada Lampiran 2. Pengidentifikasian masalah dalam penelitian ini mencakup keseluruhan yang dijelaskan bab metode penelitian, antara lain pembatasan penelitian berdasarkan ruang lingkup, program stemming, penggunaan KBBI dalam penelitian, Ber-KB Ber-KS Ber-KKan Ber-KB-kan Ber-KK-an Meng-/mem-/me-KS Meng-/mem-/me-KB Meng-/mem-/me-Kata Dasar Terikat Ke-KK/KB/KS-an Ter-KKintransitif(-i) Kata Kerja Dasar Ulang KK-meng-/mem-/me-KK Ber-KU Pola-beran Polabermeke Pola-teri Pola-kkdu Pola-fixku Pola-berku 5

15 Praproses Praproses merupakan tahap awal pengembangan Kamus Word Graph Kata Kerja. Praproses dilakukan untuk membatasi nilai masukan pada sistem. Masukan harus berupa kata tunggal atau tidak mengandung spasi ( ). Fungsi untuk memeriksa hal ini didokumentasikan pada checkplural yang jika bernilai benar maka proses tidak akan dilanjutkan pada tahap berikutnya. Selain itu, jika nilai masukan berupa numerik maka sistem akan menampilkan peringatan pada user untuk memasukkan input yang berupa kata bukan numerik. Untuk memeriksa apakah masukan kata berupa numerik atau bukan digunakan fungsi checknum. Stemming Program stemming dibuat sesuai kebutuhan penelitian sehingga mampu membuang awalan, akhiran, sisipan atau gabungan antara awalan dan akhiran yang sesuai dengan pola pembentuk kata kerja dengan keluaran berupa kata dasar. Selain itu, keluaran dari program stemming juga berupa imbuhan yang terkandung dalam kata masukan. Program stemming terdokumentasi dalam fungsi getstem yang terdiri atas fungsi stemfix dan stemm. Fungsi stemfix untuk kata masukan yang mengandung imbuhan yang terdapat pada tabel Fixations. Fungsi stemm untuk imbuhan asing dan untuk menanggulangi kata yang tidak terdapat dalam KBBI yang disesuaikan. Proses stemming dengan KBBI yang disesuaikan dilakukan dengan langkah-langkah berikut: 1. Kata masukan dicari apakah terdapat pada KBBI atau tidak. 2. Jika ada pada KBBI yang disesuaikan, kata masukan diperiksa apakah mengandung imbuhan yang terdapat pada tabel Fixations atau tidak. Jika ya, dilakukan proses pemotongan berurut sesuai imbuhan-imbuhan yang dikenali pada tabel Fixations. Jika tidak, untuk imbuhan asing akan dilakukan proses stemming. Selainnya, kata masukan yang dikenali pada KBBI yang disesuaikan dikembalikan kata dasarnya dan langsung dicari sifat kata dasarnya dalam KBBI yang disesuaikan. 3. Jika tidak terdapat pada KBBI yang disesuaikan maka dilakukan proses stemming. 4. Kata masukan diproses dengan pemotongan bertahap untuk setiap kondisi. Setiap yang menghasilkan hasil stemming dimasukkan dalam daftar kandidat kata dan diperiksa apakah terdapat pada KBBI yang disesuaikan atau tidak. Jika tidak ada satu kata yang ditemukan maka dikembalikan kata sebelum di-stemm. Pengenalan Pola Word Graph Kata Kerja Setelah didapat kata dasar, sifat kata dasar dan imbuhannya akan digunakan untuk mengenali pola word graph pembentuk kata kerja menggunakan fungsi checkpatternverb. Untuk mengetahui sifat kata dasar hasil stemming dilakukan pengecekan terhadap kata dasar pada database kamus menggunakan fungsi cekkata. Fungsi checkpatternverb akan membandingkan apakah kata dasar dan alternatif kata dasar (jika ada) serta imbuhan yang terkandung dari kata masukan sesuai dengan pola word graph yang ada. Jika ya, maka fungsi akan mengembalikan salah satu nama pola dari 10 daftar pola word graph yang memenuhi kondisi. Misalnya, kata masukan memulai jika dilakukan stemming akan menghasilkan kata dasar mulai, pulai sebagai kata dasar alternatif dan imbuhan mem dikenali sebagai pola word graph memkata kerja. Pola mem-kata kerja termasuk salah satu pola word graph kata kerja. Fungsi checkpatternverb akan memeriksa apakah kata dasar mulai memiliki sifat kata kerja (verba) atau kata dasar alternatif pulai yang bersifat sebagai kata kerja. Jika salah satunya terpenuhi maka kata tersebut dianggap sebagai kata dasar dari kata masukan memulai. Pembentukan Pola Word Graph Kata Kerja Hasil tahap penentuan pola word graph kata kerja akan menampilkan word graph dari pola yang membentuknya. Kata masukan yang memenuhi kondisi pola word graph kata kerja tertentu akan memanggil fungsi yang membuat pola word graph kata masukan. Jika kata masukan tidak memenuhi semua kondisi pola pembentukan word graph kata kerja, maka kata tersebut bukan kata kerja bentuk turunan dan akan dicari jenis kata dasar dari kata masukan serta akan menampilkan peringatan bahwa kata masukan bukan kata kerja. Penelitian ini juga dibatasi untuk pola word graph ter-kata kerja dasar intransitif dan terkata kerja dasar transitif, karena sulitnya 6

16 membedakan kedua pola tersebut hanya dari maknanya. Pembedaan kedua pola tersebut dapat dilakukan dengan melihat posisi kata kerja dengan pola word graph ter-kata kerja intransitif ataupun transitif dalam kalimat. Pola word graph ter-kata kerja dasar intransitif dipilih untuk dimasukkan ke dalam modul Kamus Word Graph karena pola tersebut memiliki makna yang lebih umum serta tidak perlu membutuhkan objek dalam konteks kalimat. Semua tahapan mulai dari praproses hingga tahap ini digabung dalam sebuah modul indverbdict yang memproses pembentukan kamus word graph kata kerja. Analisis Hasil Pengujian Analisis hasil pengujian akan disajikan dalam bentuk persentase akurasi yang dihasilkan dari pengujian modul kamus word graph kata kerja dengan penjelasan untuk setiap variabel pola. Hasil akurasi pengujian secara umum disajikan pada Tabel 2. Tabel 2 Akurasi hasil pengujian Variabel Pola Word graph Kata Kerja Jumlah Input Jumlah Input yang Sesuai Akurasi Pola-mekani Variabel pola-mekani terdiri atas pola (meng/me/mem/memper)- Kata Kerja -(kan/i) dengan 10 masukan dan pola meng-/me-/mem- /memper-kata Benda/Kata Sifat-kan/-i dengan 10 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-mekani. Hasil pengujian dapat dilihat pada Lampiran 4. Pola-diter Variabel pola-diter terdiri atas pola di-kata Kerja/Kata Benda/Kata Sifat(-i/-kan) dengan 15 masukan dan pola diper-kata Benda/Kata Sifat(-kan) dengan 10 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-mekani. Hasil pengujian dapat dilihat pada Lampiran 5 sedangkan contoh graf hasil pengujian untuk kata digarami dapat dilihat pada Gambar 12. Pola-vdasar ,00 Pola-mekani ,00 Pola-diter ,00 Pola-meku ,00 Pola-beran ,33 Polabermeke ,00 Pola-teri ,00 Pola-kkdu ,00 Pola-fixku ,00 Pola-berku ,00 Total ,83 Gambar 12 Graf hasil pengujian kata digarami Pola-meku Variabel pola-bermeku terdiri atas pola meng-/mem-/me-kata Ulang dengan 12 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-bermeku. Hasil pengujian dapat dilihat pada Lampiran 6 sedangkan contoh hasil pengujian untuk kata menari-nari dapat dilihat dalam Gambar 13. Pola-vdasar Variabel pola-vdasar terdiri atas pola Kata Kerja Dasar (KKD) dengan 10 masukan dan pola ber-kkd dengan 10 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-vdasar. Hasil pengujian dapat dilihat pada Lampiran 3. Gambar 13 Graf hasil pengujian kata menari-nari 7

17 Pola-beran Variabel pola-beran terdiri atas pola ber- Kata Benda/Kata Sifat dengan 12 masukan. Untuk pola ber-kkan (kata kerja yg sudah diimbuhi akhiran an, contoh: hubungan ) tidak dapat ditampilkan pada pola-beran. Untuk aturan ber-kkan setelah di stemming menghasilkan ber-kata kerja-an. Hal ini disebabkan oleh KBBI yang belum lengkap. Hasil pengujian dapat dilihat pada Lampiran 7. Pola-bermeke Variabel pola-bermeke terdiri atas pola ber- Kata Benda-kan dan ber-kata Kerja/Kata Sifatan dengan 12 masukan, pola meng-/mem-/me- Kata Benda/Kata Sifat dengan 12 masukan, dan pola ke-kata Kerja/Kata Benda/Kata Sifat-an dengan 12 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-bermeke. Hasil pengujian dapat dilihat pada Lampiran 8. Pola-teri Variabel pola-teri terdiri atas pola ter-kata Kerja Dasar(-i) dengan 12 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-teri. Hasil pengujian dapat dilihat pada Tabel 3 atau Lampiran 9 untuk lebih lengkap. Pola-kkdu Variabel pola-kkdu terdiri atas pola Kata Kerja Dasar Ulang dengan 10 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-kkdu. Hasil pengujian dapat dilihat pada Lampiran 10. Pola-fixku Variabel pola-fixku terdiri atas pola Kata Kerja-meng-/mem-/me-Kata Kerja dengan 12 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-fixku. Hasil pengujian dapat dilihat pada Lampiran 11. Pola-berku Variabel pola-berku terdiri atas pola ber- Kata Ulang dengan 12 masukan. Semua masukan menghasilkan stemming yang sesuai sehingga semua masukan dikenali dengan benar sesuai pola word graph kata kerja dengan variabel pola-berku. Hasil pengujian dapat dilihat pada Lampiran 12. Tabel 3 Hasil Pengujian word graph kata kerja Pola-teri Kata Masukan Hasil Pengujian Terduduk sesuai dengan variabel word graph pola-teri Terantuk sesuai dengan variabel word graph pola-teri Terbangun sesuai dengan variabel word graph pola-teri Tertidur sesuai dengan variabel word graph pola-teri Terbenam sesuai dengan variabel word graph pola-teri Terjatuh sesuai dengan variabel word graph pola-teri Terlampaui sesuai dengan variabel word graph pola-teri Tersaingi sesuai dengan variabel word graph pola-teri Tertanami sesuai dengan variabel word graph pola-teri Tersirami sesuai dengan variabel word graph pola-teri Teraliri sesuai dengan variabel word graph pola-teri Terhalangi sesuai dengan variabel word graph pola-teri Analisis Hasil Pengujian Keseluruhan Hasil pengujian untuk word graph kata kerja dengan masukan 171 kata kerja menghasilkan akurasi 98,83%. Secara umum modul pembentukan word graph kata kerja sudah cukup baik. Masalah utama dari pengembangan modul pembentukan word graph kata kerja adalah tidak lengkapnya KBBI. Analisis Kekurangan dan Kelebihan Pengembangan Modul Pembentukan Word Graph Kata Kerja Kekurangan modul pembentukan word graph kata kerja adalah hanya mampu menampilkan graf yang sesuai dengan pola aturan word graph kata kerja hasil penelitian sebelumnya oleh Muslik (2009). Keterbatasan dalam segi pengembangannya adalah karena masukan dari sistem ini hanya satu kata maka untuk kata kerja transitif yang harus bergantung pada subjek dan objek tidak dapat dibangkitkan. Dengan demikian harus diasumsikan bahwa setiap kata kerja transitif merupakan kata kerja 8

18 intransitif. Di samping itu untuk beberapa pola yang telah dibangkitkan, tidak ada keterangan pada antarmuka ketika mengklik token. Beberapa pola word graph kata kerja yang telah berhasil dibuat dalam modul tidak persis sama dengan word graph yang ada pada penelitian Muslik (2009). Misalnya, pada polameku (kata ulang dengan imbuhan me-/meng- /mem-) menggunakan relasi ALI ke satu token secara berulang untuk menyatakan pengulangan 2. Pengembangan modul serupa untuk aturan lain dalam Bahasa Indonesia selain kata kerja, seperti kata tugas, frasa kata, atau klausa. 3. Pengembangan sistem BogorDelftConstruct berbasis web sehingga bersifat dinamis dan dapat diakses secara real time. kata, yang disimbolkan dengan. Pada sistem, word graph tidak menghasilkan relasi seperti simbol tersebut melainkan hanya menampilkan teks ali pada token yang memiliki makna memunyai pengulangan kata. Kelebihan pengembangan modul pembentukan word graph kata kerja adalah telah berhasil mengimplementasikan 10 pola word graph kata kerja sesuai dengan penelitian Muslik (2009). Aplikasi BogorDelftConstruct telah mampu mengenali pola word graph kata kerja dengan tingkat akurasi 98,83%. KESIMPULAN DAN SARAN Kesimpulan Pengembangan modul pembentukan word graph kata kerja telah mampu mengenali 10 pola aturan word graph kata kerja sesuai dengan penelitian Muslik (2009). Pola kata kerja yang menjadi masukan hanya satu kata sehingga setiap masukan diasumsikan kata kerja intransitif yang tidak perlu terikat dengan objek. Pengujian modul untuk pola word graph kata kerja secara keseluruhan menghasilkan akurasi 98,83%. Meskipun memiliki akurasi yang cukup baik sistem ini masih memiliki kekurangan. Salah satunya adalah sistem ini hanya mampu mengenali masukan sepanjang 1 kata. Di lain hal, sistem ini secara garis besar telah cukup berhasil karena telah mampu membangkitkan pola aturan word graph kata kerja yang sesuai dengan hasil penelitian yang dilakukan Muslik (2009). Saran Sebagai pengembangan dari penelitian ini beberapa hal yang dapat disarankan adalah: 1. Penambahan bagian atau fungsi dalam modul agar dapat membedakan pola kata kerja intransitif atau transitif. 9

19 DAFTAR PUSTAKA Alwi H, Dardjowidjojo S, Lapowila H, Moeliono AM Tata Bahasa Baku Bahasa Indonesia. Ed ke-3. Jakarta: Balai Pustaka. Muslik A Analisis Pembentukan Word Graph Kata Kerja Menggunakan Metode Knowledge Graph. [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Nurdiati S, and C Hoede Word Graph Construction of Certain Aspects of Indonesian Language. Supplementary Proceedings of The 17th International Conference on Conceptual Structures. Moscow, Russia. Rusiyamti Analisis Teks Berbahasa Indonesia Menggunakan Metode Knowledge Graph. [tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Romadoni D Pengembangan Sistem Pembentukan Word Graph Untuk Teks Berbahasa Indonesia. [skripsi]. Bogor: Program Sarjana, Institut Pertanian Bogor Zhang L Knowledge Graph Theory and Structural Parsing. [disertasi]. ISBN Netherlands: Twente University 10

20 LAMPIRAN 11

21 Lampiran 1 Diagram Alir Penambahan Modul Word Graph Kata Kerja 12

22 Lampiran 2 Pola Word Graph Kata Kerja Pola Pembentuk Kata Kerja Nama Variabel Pola Dalam Sistem Word Graph Kata Kerja Kata Kerja Dasar (KKD) Ber-KK Meng-/mem-/me-Kata Kerja (KK) Pola-vdasar ALI KK Meng-/mem-/me-KK-kan Meng-/mem-/me-Kata Benda (KB)-kan CAU CAU Meng-/mem-/me-Kata Sifat (KS)-kan Meng-/mem-/me-KK-i Meng-/mem-/me-KS-i Pola-mekani ALI KD Meng-/mem-/me-KB-i Memper-KB Memper-KS Memper-KK-kan/i Di-KKtransitif-(-i/-kan) Ter-KKtransitif(-i) Di-KB-i Diper-KS Pola-diter CAU ALI KD CAU ALI Meng-/mem-/me-Kata Ulang (KU) Pola-meku CAU CAU ALI KD Ber-KB PAR Ber-KS Ber-KKan Pola-beran ALI KD 13

23 Ber-KB-kan Meng-/mem-/me-KS CAU Meng-/mem-/me-KB Meng-/mem-/me-Kata Dasar Terikat Ke-KK/KB/KS-an Pola-bermeke ALI KD Ter-KKintransitif(-i) Pola-teri ALI KD CAU ALI Kata Kerja Dasar Ulang Pola-kkdu ALI KK KK-meng-/mem-/me-KK Pola-fixku CAU ALI KD CAU Ber-KU Pola-berku CAU ALI ALI KD 14

24 Lampiran 3 Pengujian Pola-vdasar 1. Pola Kata Kerja Dasar (KKD) No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Lihat Lihat 2 Bangun Bangun 3 Tidur Tidur 4 Sua Sua 5 Kerja Kerja 6 Duduk Duduk 7 Pergi Pergi 8 Minum Minum 9 Tukar Tukar 10 Kawin Kawin 2. Pola Ber-Kata Kerja No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Bekerja Kerja 2 Bermain Main 3 Bernyanyi Nyanyi 4 Berenang Renang 5 Berharap Harap 15

25 6 Bersua Sua 7 Bertukar Tukar 8 Bersaing Saing 9 Berjumpa Jumpa 10 Berkutat Kutat 3. Contoh graf untuk pola-vdasar Kata masukan Word graph yang ditampilkan Hasil pengujian Berjumpa Sesuai 16

26 Lampiran 4 Pengujian Pola-mekani 1. Pola (meng/me/mem/memper)-kata Kerja-(kan/i) No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Membuka Buka 2 Memakan Makan 3 Menganyam Anyam 4 Mengatur Atur 5 Menanam Tanam 6 Memberikan Beri 7 Mengumpulkan kumpul 8 Mengirimi kirim 9 Mengingkari Ingkar 10 Memperhitungkan Hitung 2. Pola meng-/me-/mem-/memper-kata Benda/Kata Sifat-kan/-i No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Menjelaskan jelas 2 Memfokuskan fokus 3 Menempati tempat 4 Memperalat alat 17

27 5 Mengakali akal 6 Memarahi marah 7 Meragukan ragu 8 Menggarami garam 9 Mengagungkan agung 10 Memperlemah lemah 3. Contoh graf untuk pola-mekani Kata masukan Word graph yang ditampilkan Hasil pengujian memperlemah Sesuai 18

28 Lampiran 5 Pengujian Pola-diter 1. Pola di-kata Kerja/Kata Benda/Kata Sifat(-i/-kan) Kata No Hasil Pengujian Kata Dasar Sifat Kata Dasar Masukan 1 Dipetik sesuai dengan variabel word graph pola-diter Petik 2 Dikerjakan sesuai dengan variabel word graph pola-diter Kerja 3 Diselami sesuai dengan variabel word graph pola-diter Selam 4 Dinodai sesuai dengan variabel word graph pola-diter Noda 5 Diramu sesuai dengan variabel word graph pola-diter Ramu 6 Ditikam sesuai dengan variabel word graph pola-diter Tikam 7 Disebabkan sesuai dengan variabel word graph pola-diter Sebab 8 Digarami sesuai dengan variabel word graph pola-diter Garam 9 Digulai sesuai dengan variabel word graph pola-diter Gula 10 Dicetak sesuai dengan variabel word graph pola-diter Cetak 11 Diratakan sesuai dengan variabel word graph pola-diter Rata 12 Dilengkapi sesuai dengan variabel word graph pola-diter Lengkap 13 Dibenci sesuai dengan variabel word graph pola-diter Benci 14 Dicintai sesuai dengan variabel word graph pola-diter Cinta 15 Dibesarkan sesuai dengan variabel word graph pola-diter Besar 2. Pola diper-kata Benda/Kata Sifat(-kan) No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Dipermasalahkan sesuai dengan variabel word graph poladiter Masalah 2 Diperdebatkan sesuai dengan variabel word graph poladiter Debat 3 Dipertanyakan sesuai dengan variabel word graph poladiter Tanya 4 Diperlombakan sesuai dengan variabel word graph poladiter Lomba 5 Diperdagangkan sesuai dengan variabel word graph pola- Dagang 19

29 diter 6 Dipertegas sesuai dengan variabel wor d graph pola-diter Tegas 7 Diperkuat sesuai dengan variabel word graph poladiter Kuat 8 Dipercantik sesuai dengan variabel word graph poladiter Cantik 9 Diperlebar sesuai dengan variabel word graph poladiter Lebat 10 Dipermudah sesuai dengan variabel word graph poladiter Mudah 3. Contoh graf untuk pola-diter Kata masukan Word graph yang ditampilkan Hasil pengujian Diperlebar Sesuai 20

30 Lampiran 6 Pengujian Pola-meku 1. Pola meng-/mem-/me-kata Ulang No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Mengungkit-ungkit sesuai dengan variabel word graph pola-meku Ungkit 2 Menari-nari sesuai dengan variabel word graph pola-meku Tari n (kata benda) 3 Menerka-nerka sesuai dengan variabel word graph pola-meku Terka 4 Meliuk-liuk sesuai dengan variabel word graph pola-meku Liuk n (kata benda) 5 Menimang-nimang sesuai dengan variabel word graph pola-meku Timang 6 Mengendap-endap sesuai dengan variabel word graph pola-meku Endap 7 Memutar-mutar sesuai dengan variabel word graph pola-meku Putar 8 Melihat-lihat sesuai dengan variabel word graph pola-meku Lihat 9 Mencari-cari sesuai dengan variabel word graph pola-meku Cari 10 Melengganglenggok sesuai dengan variabel word graph pola-meku Lengga ng 11 Memotong-motong sesuai dengan variabel word graph pola-meku Potong 12 Meronta-ronta sesuai dengan variabel word graph pola-meku Ronta 2. Contoh graf pola-meku Kata masukan Word graph yang ditampilkan Hasil pengujian Diperlebar Sesuai 21

31 Lampiran 7 Pengujian Pola-beran 1. Pola ber-kata Benda/Kata Sifat dan ber-kkan (Kata kerja yang telah berakhiran an ) No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Berhalangan Tidak sesuai dengan variabel word graph pola-beran Halang 2 Berhubungan Tidak sesuai dengan variabel word graph pola-beran Hubung 3 Berpihak sesuai dengan variabel word graph pola-beran Pihak 4 Berbajik sesuai dengan variabel word graph pola-beran Peluang 5 Berbaris sesuai dengan variabel word graph pola-beran Baris 6 Bernegosiasi sesuai dengan variabel word graph pola-beran Negosiasi 7 Berbahagia sesuai dengan variabel word graph pola-beran Bahagia 8 Bersedih sesuai dengan variabel word graph pola-beran Sedih 9 Berakumulatif sesuai dengan variabel word graph pola-beran Akumulatif 10 Bersabar sesuai dengan variabel word graph pola-beran Sabar 11 Berbelok sesuai dengan variabel word graph pola-beran Belok 12 Berimbang sesuai dengan variabel word graph pola-beran Imbang 2. Contoh graf pola-beran Kata masukan Word graph yang ditampilkan Hasil pengujian Berbajik Sesuai 22

32 Lampiran 8 Pengujian Pola-bermeke 1. Pola ber-kata Benda-kan dan ber-kata Kerja/Kata Sifat-an No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Berdasarkan sesuai dengan variabel word graph pola-bermeke Dasar 2 Beratapkan sesuai dengan variabel word graph pola-bermeke Atap 3 Beralaskan sesuai dengan variabel word graph pola-bermeke Alas 4 Berdasarkan sesuai dengan variabel word graph pola-bermeke Dasar 5 Beristrikan sesuai dengan variabel word graph pola-bermeke Istri 6 Berpergian sesuai dengan variabel word graph pola-bermeke Pergi 7 Bermunculan sesuai dengan variabel word graph pola-bermeke Muncul 8 Berlarian sesuai dengan variabel word graph pola-bermeke Lari 9 Berbatasan sesuai dengan variabel word graph pola-bermeke Batas 10 Berjatuhan sesuai dengan variabel word graph pola-bermeke Jatuh 11 Berjauhan sesuai dengan variabel word graph pola-bermeke Jauh 12 Bersamaan sesuai dengan variabel word graph pola-bermeke Sama 2. Pola meng-/mem-/me-kata Benda/Kata Sifat No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Mendarat Darat 2 Membatu Batu 3 Melaut Laut 4 Mengutara Utara 5 Menepi Tepi 6 Menghukum Hukum 23

33 7 Memburuk Buruk 8 Menguning Kuning 9 Mencair Cair 10 Membaik Baik 11 Menguat Kuat 12 Mengecil Kecil 3. Pola ke-kata Kerja/Kata Benda/Kata Sifat-an No Kata Masukan Hasil Pengujian Kata Dasar 1 Kenamaan 2 Ketempatan 3 Kehujanan 4 Ketakwaan 5 Ketumpahan 6 Kejatuhan 7 Kelihatan 8 Kemasukan 9 Kemahalan 10 Keringanan 11 Kehausan 12 Kegoyahan Darat Batu Laut Utara Tumpah Kopi Buruk Kuning Cair Baik Haus Luas Sifat Kata Dasar 24

34 4. Contoh graf pola-bermeke Kata masukan Word graph yang ditampilkan Hasil pengujian Ketumpahan Sesuai 25

35 Lampiran 9 Pengujian Pola-teri 1. Pola ter-kata Kerja Dasar intransitif(-i) Kata No Hasil Pengujian Kata Dasar Sifat Kata Dasar Masukan 1 Terduduk sesuai dengan variabel word graph pola-teri Duduk 2 Terantuk sesuai dengan variabel word graph pola-teri Antuk 3 Terbangun sesuai dengan variabel word graph pola-teri Bangun 4 Tertidur sesuai dengan variabel word graph pola-teri Tidur 5 Terbenam sesuai dengan variabel word graph pola-teri Benam 6 Terjatuh sesuai dengan variabel word graph pola-teri Jatuh 7 Terlampaui sesuai dengan variabel word graph pola-teri Lampau 8 Tersaingi sesuai dengan variabel word graph pola-teri Saing 9 Tertanami sesuai dengan variabel word graph pola-teri Tanam 10 Tersirami sesuai dengan variabel word graph pola-teri Siram 11 Teraliri sesuai dengan variabel word graph pola-teri Alir 12 Terhalangi sesuai dengan variabel word graph pola-teri Halang 2. Contoh graf pola-teri Kata masukan Word graph yang ditampilkan Hasil pengujian Terbangun Sesuai 26

36 Lampiran 10 Pengujian Pola-kkdu 1. Pola Kata Kerja Dasar Ulang No Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Lari-lari sesuai dengan variabel word graph pola-kkdu Lari 2 Jalan-jalan sesuai dengan variabel word graph pola-kkdu Jalan 3 Lihat-lihat sesuai dengan variabel word graph pola-kkdu Lihat 4 Duduk-duduk sesuai dengan variabel word graph pola-kkdu Duduk 5 Datang-datang sesuai dengan variabel word graph pola-kkdu Datang 6 Minta-minta sesuai dengan variabel word graph pola-kkdu Minta 7 Pekik-pekik sesuai dengan variabel word graph pola-kkdu Pekik 8 Putar-putar sesuai dengan variabel word graph pola-kkdu Putar 9 Tidur-tidur sesuai dengan variabel word graph pola-kkdu Tidur 10 Naik-naik sesuai dengan variabel word graph pola-kkdu Naik 2. Contoh graf pola-kkdu Kata masukan Word graph yang ditampilkan Hasil pengujian Jalan-jalan Sesuai 27

37 Lampiran 11 Pengujian Pola-fixku 1. Pola Kata Kerja-meng-/mem-/me-Kata Kerja N Kata Masukan Hasil Pengujian o Kata Dasar Sifat Kata Dasar 1 Tusuk-menusuk sesuai dengan variabel word graph pola-fixku Tusuk 2 Tikam-menikam sesuai dengan variabel word graph pola-fixku Tikam 3 Tiup-meniup sesuai dengan variabel word graph pola-fixku Tiup 4 Tinjau-meninjau sesuai dengan variabel word graph pola-fixku Tinjau 5 Tolak-menolak sesuai dengan variabel word graph pola-fixku Tolak 6 sesuai dengan variabel word graph pola-fixku Tolong 7 Tukar-menukar sesuai dengan variabel word graph pola-fixku Tukar 8 sesuai dengan variabel word graph pola-fixku Anyam 9 Cabik-mencabik sesuai dengan variabel word graph pola-fixku Cabik Tolongmenolong Anyammenganyam Pinjammeminjam Pasangmemasang Senggolmenyenggol sesuai dengan variabel word graph pola-fixku Pinjam sesuai dengan variabel word graph pola-fixku Pasang sesuai dengan variabel word graph pola-fixku Senggol 2. Contoh graf pola-fixku Kata masukan Word graph yang ditampilkan Hasil pengujian Jalan-jalan Sesuai 28

38 Lampiran 12 Pengujian Pola-berku 1. Pola ber-kata Ulang N o Kata Masukan Hasil Pengujian Kata Dasar Sifat Kata Dasar 1 Berlari-lari sesuai dengan variabel word graph pola-berku Lari 2 Berenang-renang sesuai dengan variabel word graph pola-berku Renang 3 Bersakit-sakit sesuai dengan variabel word graph pola-berku Sakit 4 Berangguk-angguk sesuai dengan variabel word graph pola-berku Angguk 5 Berbayang-bayang sesuai dengan variabel word graph pola-berku Bayang 6 Berbincang-bincang sesuai dengan variabel word graph pola-berku Bincang 7 Bersenang-senang sesuai dengan variabel word graph pola-berku Senang 8 Berdebar-debar sesuai dengan variabel word graph pola-berku Debar 9 Berfoya-foya sesuai dengan variabel word graph pola-berku Foya 10 Berhati-hati sesuai dengan variabel word graph pola-berku Hati 11 Berjaga-jaga sesuai dengan variabel word graph pola-berku Jaga 12 Berjingkrakjingkrak sesuai dengan variabel word graph pola-berku Jingkrak 2. Contoh graf pola-berku Kata masukan Word graph yang ditampilkan Hasil pengujian Berlari-lari Sesuai 29