BAB I PENDAHULUAN 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Bahasa Indonesia adalah bahasa resmi dari Negara Indonesia. Berdasarkan ketentuan UU Nomor 24 tahun 2009 (Pasal 3) tujuan dari penggunaan Bahasa Indonesia sebagai bahasa resmi diantaranya untuk memperkuat persatuan dan kesatuan bangsa dan sebagai standardisasi penggunaan bahasa kebangsaan. Penggunaan Bahasa Indonesia lebih detail dijelaskan pada bagian kedua yaitu dari Pasal 26 hingga Pasal 39 diantaranya, Bahasa Indonesia wajib digunakan dalam penulisan karya ilmiah dan publikasi karya ilmiah di Indonesia (Pasal 35). Bahasa Indonesia wajib digunakan dalam informasi media massa (Pasal 39). Artikel berita termasuk kedalam informasi media massa, sehingga artikel berita wajib menggunakan bahasa kebangsaan yaitu Bahasa Indonesia. Informasi tentang berbagai bidang kehidupan dapat kita temukan salah satunya melalui artikel berita. Kemudahan medapatkan informasi semakin didukung dengan adanya akses yang luas melalui internet. Sekarang ini banyak portal berita yang tersedia dijaringan internet. Namun, kemudahan untuk mendapatkan informasi ini juga memberikan dampak tersendiri bagi pembaca. Banyaknya informasi yang disajikan, kadang membuat pembaca kesulitan dalam memperoleh informasi yang dibutuhkan. Tentu akan menyita banyak waktu dan energi jika harus membaca satu persatu artikel berita yang tersedia agar mendapatkan informasi yang sesuai. Artikel berita termasuk kedalam teks bahasa alami, yaitu teks yang dipahami oleh manusia namun perlu pemrosesan lebih lanjut agar komputer mengerti dan dapat mengeluarkan output sesuai dengan yang user inginkan. Proses mengekstrak informasi dapat dilakukan secara manual oleh manusia. Namun cara ini akan membutuhkan banyak energi dan waktu jika diterapkan untuk dokumen dengan jumlah yang besar. Maka diperlukan suatu sistem untuk membantu 1

2 2 proses ekstraksi informasi ini. Ekstraksi informasi sendiri adalah suatu cara untuk mengambil informasi dari teks yang tersedia. Ekstraksi informasi menjadi bidang penelitian yang telah banyak dikembangkan, namun belum banyak diterapkan untuk teks berbahasa Indonesia. Hal ini dapat dilihat dari ketersediaan tools ekstraksi informasi untuk teks berbahasa Indonesia yang masih minim dan jarang untuk dijumpai. Menurut Andriani dan Manurung (2008), penelitian dalam Pemrosesan Bahasa Alami (Natural Langugage Processing) pada teks berbahasa Indonesia telah dilakukan semenjak pertengahan tahun 1990-an. Contoh aplikasi yang telah dikembangkan diantaranya Cross-Language IR, Document Sumarization, Information Extraction, Question Answering, dan Geographic Information Retrieval. Kemudahan dalam mendapatkan informasi yang dibutuhkan dapat dilakukan salah satunya dengan pengenalan entitas bernama. Mengidentifikasi referensi entitas didalam teks menjadi salah satu subpekerjaan dari Information Extraction (IE) yang disebut Named Entity Recognition and Classification (NERC) (Nadeau & Sekine, 2007). Pengenalan entitas bernama dimaksudkan untuk mengenali token apakah sebagai entitas atau bukan. Mengetahui entitas yang termuat dalam artikel berita tersebut dapat ditentukan menggunakan Named Entity Recognition (NER). Named Entity Recognition (NER) meliputi indentifikasi nama diri dalam teks dan klasifikasi sebagai tipe entitas yang berbeda seperti orang, organisasi, dan lokasi (Farmakiotou, dkk, 2011). Secara umum pengenalan entitas bernama dilakukan dengan tiga metode yaitu supervised machine learning (SL), rule-based, dan gabungan kedua metode (hybrid). Penelitian tentang pengenalan entitas bernama untuk teks berbahasa Indonesia menggunakan rule-based belum banyak dilakukan. Meskipun begitu, pendekatan rulebased masih valid dan banyak digunakan. Penelitian berupa paper dalam bidang akademik lebih sedikit yang menggunakan pendekatan ini, namun pada dunia industri pendekatan rule-based lebih banyak digunakan. Menurut Chiticariu dkk. (2013) sebagian besar penelitian berasumsi bahwa stactical machine learning merupakan

3 3 pendekatan terbaik untuk memecahkan masalah ekstraksi informasi. Situasi ini berbanding terbalik pada dunia komersial. Secara umum metode rule-based juga memiliki beberapa kelebihan dibandingkan dengan dua pendekatan yang lain, diantaranya sistem yang dikembangkan dengan metode rule-based mudah untuk diterapkan dan dikelola, jika terjadi kerusakan/error lebih mudah untuk dilacak dan diperbaiki. Gambar 1.1 menjelaskan hasil dari survei paralel produk komersial ektraksi entitas dari 54 vendor yang dilakukan oleh Yuen & Koehler-Kruener dalam Chiticariu dkk. (2013). Gambar 1.1 Hasil survei perbandingan metode yang digunakan pada bidang NLP menurut Chiticariu dkk. (2013) Penelitian pengenalan entitas bernama teks berbahasa Indonesia yang menggunakan rule-based dilakukan oleh Wahyudi dan Budi (2004), penelitian tersebut mengembangkan sistem pengenalan entitas bernama dengan memperhatikan kontekstual, morfologi dan kelas kata. Metode lain juga diterapkan pada penelitian pengenalan entitas bernama teks berbahasa Indonesia dan telah beberapa kali dilakukan yaitu menggunakan metode machine learning. Penelitian tersebut diantaranya, dengan metode association rules (Markus, 2006), dan pengenalan entitas bernama dengan

4 4 metode association rules fitur berganda (Wibowo, 2005), dan metode Hidden Markov Model (HMM) yang dilakukan oleh Fachri (2014). Sistem pengenalan entitas bernama dengan metode HMM tersebut mempunyai akurasi yaitu maksimal akurasi 88,4% dengan recall 65,8% dan precision 55,9% Beberapa alasan mengenai penggunaan metode rule-based seperti yang telah dijabarkan sebelumnya melatarbelakangi penelitian ini. Pada penelitian ini dikembangkan sistem pengenalan entitas bernama menggunakan metode rule-based. Meskipun pengenalan entitas bernama menggunakan rule-based sudah pernah dilakukan seperti penelitian Wahyudi dan Budi (2004) namun, terdapat perbedaan metodologi penelitian antara penelitian ini dengan penelitian Wahyudi dan Budi (2004), selain itu entitas yang ditelitipun berbeda. Sesuai dengan jangkauan bidang entitas bernama yang ditetapkan oleh Message Understanding Conference Proceedings 7 (MUC-7). Entitas bernama yang diidentifikasi pada penelitian ini meliputi entitas orang, organisasi, lokasi, dan tanggal. Aturan yang diterapkan sistem pengenalan entitas bernama pada penelitian ini didapat dari observasi artikel berita berbahasa Indonesia dengan memperhatikan kelas kata, morfologi, dan kontekstual dari setiap token. Observasi untuk memudahkan penentuan aturan dilakukan dengan membatasi domain data, untuk itu pada penelitian ini artikel yang diobservasi merupakan artikel berita dibidang politik saja. Domain data dibidang politik dipilih karena beberapa alasan diantaranya pada bidang politik jarang dijumpai keterangan teknis seperti yang biasa terdapat pada bidang kesehatan atau teknologi, selain itu entitas orang, organisasi, lokasi, dan tanggal juga lebih mudah ditemui pada artikel berita bidang politik. Pada akhir penelitian ini sistem diimplementasi berbasis web yang dapat digunakan untuk mengidentifikasi entitas dari dokumen yang diinputkan. Hal ini dilakukan karena penggunaan web browser termasuk user friendly dan lebih mudah untuk digunakan.

5 5 1.2 Perumusan Masalah Berdasarkan pada latar belakang yang telah disebutkan, maka rumusan masalah yang akan dibahas pada penelitian ini adalah : 1. Bagaimana mengimplementasikan pengenalan entitas bernama dengan metode rule-based pada artikel berita berbahasa Indonesia? 2. Bagaimana performa sistem yang dihasilkan berdasarkan nilai precission, recall, dan f-measure? 1.3 Batasan Masalah Dari permasalahan yang telah disebutkan diatas, batasan masalah dalam penelitian ini antara lain : 1. Domain berita yang diobservasi dibatasi merupakan artikel berita dibidang politik saja. Hal ini dilakukan agar memudahkan peneliti dalam menentukan aturan awal yang akan diterapkan pada sistem. 2. Sistem akan menganalisis token berdasarkan kelas kata dengan POStagger yang dikembangkan oleh penelitian sebelumnya. Kesalahan penentuan kelas kata tidak termasuk dalam lingkup penelitian ini 3. Fitur yang diterapkan pada rules hanya memperhatikan kelas kata, konteksual, dan morfologi kata. 4. Penelitian ini belum memperhatikan ambiguitas kata. 5. Sistem diimplementasikan berbasis web dibangun menggunakan bahasa pemrograman python dan HTML. 1.4 Tujuan Penelitian Tujuan penelitian ini adalah mengembangkan sistem yang dapat mengidentifikasi entitas pada artikel berita berbahasa Indonesia dengan metode rulebased. Sistem yang telah berhasil menganalisis entitas kemudian dievaluasi untuk mengetahui kinerjanya berdasarkan precission, recall, dan f-measure.

6 6 1.5 Manfaat Penelitian Manfaat penelitian ini adalah untuk membangun sistem pengenalan entitas bernama dengan metode rule-based. Selain itu kedepannya sistem dapat dikembangkan untuk tugas ekstraksi informasi yang lain seperti Question Answering. 1.6 Metode Penelitian Penelitian ini dibagi dalam beberapa tahapan langkah yang sistematis. Tahapan-tahapan tesebut adalah: 1. Studi Literatur Melakukan pencarian informasi dari buku, jurnal, internet, dan skripsi atau tesis yang beruhubungan dan mendukung penelitian. Informasi yang akan dikumpulkan adala data dan teori mengenai Information Extraction (IE), Named Entity Recognition (NER), dan secara khusus NER menggunakan metode rulebased. 2. Analisis dan Perancangan Sistem Analisis dilakukan untuk merancang kebutuhan sistem yang akan dibuat. Pada tahap ini, aturan-aturan yang didapatkan dari pengamatan terhadap artikel berita berbahasa Indonesia digunakan sebagai dasar untuk perancangan sistem. Kemudian dilakukan perancangan sistem untuk menentukan entitas yang terkandung di dalam artikel berita berbahasa Indonesia menggunakan NER dengan metode rule-based. 3. Implementasi Sistem Implementasi dilakukan berdasarkan rancangan sistem yang telah dibuat. Sistem akan diimplementasikan berbasis web yang dibangun menggunakan bahasa pemrograman python dan HTML. Baru kemudian dilakukan pengujian pengenalan entitas bernama dengan masukan artikel berita berbahasa Indonesia.

7 7 4. Pengujian Sistem Pada tahap ini, sistem yang telah dibuat akan diuji untuk menentukan performa sistem. Pengujian dilakukan menggunakan masukan data teks dari artikel berita berbahasa Indonesia. 5. Penulisan Laporan Pada tahap ini, hasil pengujian akan dituangkan dalam bentuk laporan hasil penelitian. Tahap ini meliputi penyusunan laporan, analisis hasil, serta pengambilan kesimpulan. 1.7 Sistematika Penulisan BAB I PENDAHULUAN Bagian ini berisi tentang latar belakang penelitian, rumusan dan batasan masalah, tujuan, manfaat, serta metodologi penelitian dari penelitian ini. BAB II TINJAUAN PUSTAKA Bagian ini berisi tentang penelitian-penelitian sebelumnya mengenai NLP, khususnya pada subpekerjaan ekstraksi informasi yaitu entitas bernama. Penelitanpenelitian tersebut dijadikan sebagai acuan pada penelitian ini. BAB III LANDASAN TEORI Bagian ini berisi tentang penjabaran teori dari pustaka yang dipelajari, serta penjabaran singkat mengenai proses pengolahan bahasa alami untuk pengembangan sistem yang akan dibuat. BAB IV ANALISIS DAN PERANCANGAN SISTEM Bagian ini berisi analisis sistem yang diperlukan dalam pengembangan dan juga rancangan sistem yang akan dibuat. BAB V IMPLEMENTASI Bagian ini berisi tentang implementasi rancangan sistem pengenalan entitas bernama dalam bentuk kode python dan HTML.

8 8 BAB VI PENGUJIAN DAN PEMBAHASAN Bagian ini berisi hasil penelitian dan pembahasan sistem yang telah dibuat, mencakup keakuratan dan kinerja sistem dalam pengenalan entitas bernama. BAB VII PENUTUP Bagian ini berisi tentang kesimpulan dan hasil penelitian, serta saran untuk penelitian selanjutnya dalam bidang NLP khususnya untuk entitas bernama teks berbahasa Indonesia.

9 9 9