7 BAB 2 LANDASAN TEORI 2.1. Ekstraksi Kata Kunci Dalam bahasa Inggris, kata kunci sering disebut kedalam 2 istilah yaitu keyphrase dan keyword. Istilah keyphrase dan keyword mengandung satu pengertian sebagai sebuah kata kunci yang penting dalam menjelaskan dan memberi gambaran terhadap isi suatu dokumen. Keyphrase merujuk kepada kata kunci yang terdiri dari gabungan kata/multiword (contoh: Demam Berdarah, Bahasa Isyarat, Kotak Hitam Pesawat, dll), sedangkan untuk istilah keyword sering ditujukan untuk kata kunci yang terdiri dari satu kata saja (Contoh: Bahasa, Demam, Kotak, dll) (Siddiqi,et al. 2015). Ekstraksi kata kunci penting dilakukan terutama dalam pengolahan aplikasi text mining. Beberapa aplikasi text mining yang menerapkan tahapan ekstraksi kata kunci yaitu aplikasi peringkasan teks otomatis, pengelompokkan dokumen, clustering, dan lain sebagainya. Terdapat 2 pendekatan dalam ekstraksi kata kunci yang umum digunakan dalam pemodelan algoritma ekstraksi kata kunci yaitu unsupervised dan supervised. Perbedaan umum dari pendekatan supervised dan unsupervised adalah dari ada atau tidaknya data latihnya. Pendekatan unsupervised tidak membutuhkan data latih sedangkan pada pendekatan supervised untuk mendapatkan kata kuncinya dibutuhkan pemrosesan data latih. Berikut beberapa pendekatan yang biasa digunakan untuk pemrosesan ekstraksi kata kunci dalam pengolahan aplikasi text mining berdasarkan beberapa penelitian sebelumnya : a. Pendekatan Unsupervised Pendekatan unsupervised terbagi kedalam 4 kategori yaitu perankingan berbasis graf (graph-based ranking), topic-based, simultaneous learning, dan language modeling (Hasan, et al.2014). Beberapa metode yang termasuk dalam pendekatan unsupervised seperti TextRank, RAKE, ExpandRank dan lain sebagainya.
8 b. Pendekatan Supervised Beberapa metode yang menggunakan pemodelan algoritma berdasarkan pendekatan supervised ini seperti metode KEA(Keyprhase Extraction Algorithm), KEA++, N-Gram, CRF(Conditional Random Field), dan lain sebagainya. Pendekatan ini berfokuskan pada 2 hal yaitu perumusan tugas(task reformulation) dan pendesainan fitur (Hasan, et al.2014). c. Pendekatan pembelajaran mesin (machine learning) Pendekatan ini menggunakan konsep pembelajaran seperti metode Supervised (Siddiqi & Sharan, 2015). Beberapa metode yang termasuk kedalam bagian pendekatan ini seperti metode support vector machine(svm), Naive Bayes, linear logistic regression (LLR), dan lain sebagainya. d. Pendekatan Statistikal Pendekatan statistik didasarkan pada linguistic corpus dan fitur statistikal yang berasal dari korpus (Siddiqi & Sharan 2015). Salah satu metode yang termasuk kedalam pendekatan ini yaitu TF-IDF. 2.2. Part-Of-Speech Tagging Part-of-speech (POS) tagging merupakan salah satu tahapan awal pemrosesan pada aplikasi text mining. POS tagging digunakan untuk melabeli kata yang ada pada suatu kalimat dengan kelas katanya masing-masing. Label-label kata tersebut seperti kata benda (noun), kata kerja(verb), kata keterangan(adverb), kata sifat(adjective) dan lain sebagainya. POS tagging biasa digunakan untuk pemfilteran kata pada tahapan preprocessing dari text mining. Seperti pada tahapan ekstraksi kata kunci, POS tagging dapat digunakan untuk mengambil kata yang hanya merupakan kata benda atau hanya merupakan kata sifat ataupun mengambil dan memfilter semua jenis kata untuk perhitungan kata sebagai kata kunci begitupun fungsinya pada aplikasi text mining lainnya. Terdapat beberapa pendekatan pada POS tagging seperti pendekatan berbasis aturan (rule based), probabilistik, dan pendekatan transformasional (Wicaksono & Purwarianti 2010). Pada bahasa Indonesia ada beberapa kelas kata yang dapat digunakan seperti pada Tabel 2.1.
9 Tabel 2.1. Label Kata untuk Bahasa Indonesia (Wicaksono & Purwarianti 2010) No. POS POS Name Example 1 OP Open Parenthesis ({[ 2 CP Close Parenthesis )}] 3 GM Slash / 4 ; Semicolon ; 5 : Colon : 6 Quotation 7. Sentence Terminator.!? 8, Comma, 9 - Dash - 10... Ellipsis... 11 JJ Adjective Bagus, Baik, Pintar 12 RB Adverb Nanti, Sementara 13 NN Common Noun Buku, Komputer 14 NNP Proper Noun Indonesia, Medan 15 NNG Genitive Noun Mobilnya 16 VBI Intransitive Verb Pergi, Belajar 17 VBT Transitive Verb Meminum, Membuka 18 IN Preposition Di, Ke, Dari 19 MD Modal Bisa, Akan 20 CC Coor-Conjunction Dan, Atau, Tetapi 21 SC Subor-Conjuction Jika, Ketika 22 DT Determiner Para, Ini, Itu 23 UH Interjection Wah, Aduh, Oi 24 CDO Ordinal Numerals Pertama, Kedua 25 CDC Collective Numerals Bertiga, Berdua 26 CDP Primary Numerals Satu, Dua 27 CDI Irregular Numerals Beberapa 28 PRP Personal Pronouns Saya, Kamu, Engkau 29 WP WH-Pronouns Apa, Siapa 30 PRN Number Pronouns Kedua-duanya 31 PRL Locative Pronouns Sini, Situ, Sana 32 NEG Negation Bukan, Tidak 33 SYM Symbols @#$%^& 34 RP Particles Pun, Kah 35 FW Foreign Words Word, Book
10 2.3. Multiword Expression Multiword expression (MWEs) adalah gabungan kata yang antar kata penyusunnya saling terhubung dan membentuk susunan kata yang baru. Sebagai contoh gabungan beberapa kata seperti : Kecerdasan Buatan, Raja Hutan, Rumah Sakit, Kotak Hitam, Demam Berdarah, dan lain sebagainya. Konsep multiword expression untuk bahasa Inggris dan bahasa Indonesia tidaklah jauh berbeda. Menurut Sag et al.(2002) makna semantik dari Multiword tidak dapat berasal dari gabungan makna semantik kata-kata penyusunnya. Untuk melakukan proses ekstraksi Multiword expression (MWEs) ada beberapa teknik yang dapat diklasifikasikan kedalam 4 tipe (S.Agrawal, et al.2014) yaitu: Metode Statistikal (Cruys & Moiron, 2007) Metode Symbolic, semantic or linguistic (Vitar & Fiser, 2008) Metode Hybrid (Duan, et al. 2009 ; Boulaknadel, et al. 2008) Metode Word alignment ( Moiron & Tiedemann, 2006). Untuk ekstraksi multiword expression (MWEs) pada dokumen berbahasa Indonesia dapat digunakan suatu aturan metode multiword expression candidate dimana metode ini memanfaatkan pemfilteran stopword dan tanda baca (Gunawan,et al. 2016) yang pada penelitian ini penulis gunakan untuk mendapatkan kandidat kata kunci multiword yang selanjutnya akan diolah dengan algoritma textrank. Tahapan utama metode ini yaitu setiap kata yang telah ditokenisasi selanjutnya dideteksi dan difilter kata mana saja yang merupakan stopword ataupun tanda baca. Kata-kata yang merupakan stopword atau tanda baca akan dihapus ataupun bisa juga diganti dengan tanda baca tertentu seperti tanda baca titik (.). Kata-kata yang didahului tanda baca ataupun stopword tersebut kemudian akan digabungkan menjadi satu kata baru sesuai dengan persamaan 2.1 berikut (Gunawan, et al. 2016): MWE Candidates = w1w2 w2w3 w3w4... w n w (n+1) (2.1) Alur kerja selengkapnya dari aturan ekstraksi multiword expression candidate ini dapat dilihat pada Gambar 2.1.
11 Gambar 2.1. Flowchart Metode Multiword Expression Candidates (Gunawan, et al. 2016) 2.4. Algoritma TextRank TextRank merupakan metode yang termasuk kedalam pendekatan unsupervised dan menggunakan pemodelan berbasis graf. Metode ini dikembangkan berdasarkan dari metode PageRank (Brin & Page,1998 ; Mihalcea & Tarau,2004). Dasar dari model berbasis perankingan graf yang diajukan oleh Mihalcea & Tarau(2004) ini yaitu dengan mengimplementasikan tahapan voting pada setiap kata(vertex) dalam graf. Suatu vertex akan dianggap penting jika vertex tersebut di vote lebih banyak dibandingkan dengan vertex lainnya. Nilai skor pada tiap vertex didalam graf ditentukan dari Persamaan 2.2 (Brin and Page,1994 ; Mihalcea, et al.2004) berikut : S(Vi) = (1 - d) + d S(Vj) (2.2) dimana nilai S(Vi) sebagai nilai score vertex Vi, dengan nilai d sebagai damping factor yang biasanya di set dengan nilai 0.85. Menurut Mihalcea,et al.(2004) Persamaan 2.2 diatas dapat juga diterapkan untuk melakukan perankingan pada graf yang berbobot dengan menggunakan nilai bobot edge antar vertexnya sehingga dibuatlah perumusan baru seperti pada Persamaan 2.3 (Mihalcea, et al.2004).
12 WS(Vi) = (1 - d) + d WS(Vj) (2.3) dimana dalam rumus diatas terdapat w ji yaitu sebagai bobot edge dari vertex V j yang berelasi dengan vertex V i. w ji juga disebut sebagai bobot frekuensi kemunculan vertex V j dan V i yang saling co-occurrence di dalam ukuran window dengan maksimum L- kata. TextRank menggunakan hubungan kemunculan bersama satu kata dengan kata yang lainnya (co-occurrence relation) dalam window maksimum L kata tersebut dimana ukuran L bisa di set antara 2 10 kata. Pada metode textrank ini kandidat kata kunci didapat dengan filter kata menggunakan part-of-speech tagging. Setiap kata yang akan dijadikan vertex dalam graf akan difilter berdasarkan filter kelas katanya seperti kata benda, gabungan kata benda dan kata kerja, atau filter semua jenis kata. Dari hasil penelitian sebelumnya hasil terbaik didapatkan dari filter kata berupa kata benda dan kata sifat saja. Untuk metode TextRank oleh Mihalcea & Tarau (2004) ini frase atau kandidat kata kunci berbentuk multiword di proses pada tahapan post-processing untuk menghindari besarnya hubungan relasi didalam graf. Berdasarkan hal itu Li & Wang (2014) menyebutkan bahwasanya cara ini tidak bisa menjamin semua kata kunci yang dihasilkan merupakan kata-kata yang sudah benar dalam satuan leksikal bahasanya dan tidak semua kata-kata yang ada didalam kombinasi kata kunci bisa didapat dari k- ranking teratas. Untuk itu Li & Wang (2004) lalu menjalankan algoritma textrank didalam konsep jaringan frase(phrase network) yaitu dengan meranking langsung kandidat kata kunci berbentuk frase ataupun multiword. Biasanya vertex dalam graph pada algoritma textrank sebelumnya hanya berupa satu kata saja, tetapi dengan jaringan frase ini maka akan diperluas hubungan co-occurrence kata menjadi berupa kata dan frase. Kandidat kata kunci atau vertex yang digunakan pada penelitian tersebut didapat dengan memanfaatkan metode Document Frequency Accessor Variety (DF-AV) dikarenakan pada bahasa Cina pemfilteran menggunakan POStagging tidak menunjukkan hasil yang cukup baik. Umumnya algoritma perankingan berbasis graf memiliki beberapa tahapan (Mihalcea & Tarau, 2004) seperti berikut:
13 Identifikasi satuan unit teks yang akan digunakan dan tambahkan setiap katanya sebagai vertex dalam graf. Identifikasi hubungan yang terbentuk untuk setiap unit teks untuk menggambarkan edge dalam graf. Edge dapat berupa berarah atau tidak berarah (directed or undirected),berbobot atau tidak berbobot (weighted or unweighted). Iterasi algoritma perankingan berbasis graf tersebut hingga konvergen (Convergence). Konvergen didapatkan ketika rata-rata nilai error untuk setiap vertex di dalam graf berada dibawah nilai threshold yang diberikan. Urutkan vertex yang terbentuk berdasarkan skor bobot akhirnya. Gunakan nilai skor bobot tiap kata tersebut sebagai urutan ranking. Pada penelitiannya yang berkaitan dengan ekstraksi kata kunci, setiap vertex didalam graf hanya berupa satu kata dan penentuan jumlah kata dengan bobot textrank tertinggi yang akan menjadi kata kunci potensial tidak ditentukan secara statis sehingga jumlahnya bisa ditentukan secara bebas yang dalam penerapannya jumlah kata kunci potensial ditentukan sebanyak sepertiga dari jumlah teks didalam relasi graf. Pada tahapan post-processing dari algoritma textrank, kata kunci satu kata akan dibentuk menjadi multiword dengan melihat apakah kata-kata tersebut saling berdekatan atau ber-adjacent didalam teks yang diolah. 2.5. Penelitian Terdahulu Ekstraksi kata kunci selalu menjadi hal yang menarik untuk diteliti terutama dalam menyelesaikan persoalan mengenai kata kunci yang terdiri dari beberapa kata (multiword keyword). Banyak penelitian terdahulu telah mengembangkan beragam metode dan mengolah beragam sumber data untuk diteliti dan dicari kata kuncinya. Akurasi kata kunci yang dihasilkan oleh penelitian terdahulupun sudah mencapai tingkat akurasi yang sangat baik terutama untuk artikel berbahasa Inggris. Bhaskar et al.(2012) menggunakan pendekatan supervised seperti Conditional Random Fields (CRF) yang menghasilkan nilai performansi untuk precision sebesar 32.34%, recall sebesar 33.09% dan F-measure sebesar 32.71%. Data yang digunakan merupakan dokumen ilmiah berbahasa Inggris sejumlah 144 dokumen untuk data training dan 100 dokumen untuk data testing.
14 Ali et al.(2014) mencoba menggabungkan metode pembelajaran mesin (machine learning) seperti halnya linear logistic regression, linear discriminant analysis dan support vector machines serta metode statistikal hybrid untuk proses ekstraksi keyphrase dokumen berbahasa Arab. Pada penelitian ini, terdapat 4 tahapan penentuan kata kunci yaitu document preprocessing, noun phrase extraction, candidate feature extraction, dan klasifikasi. Pada tahapan dari penentuan kandidat frasa kunci hanya dikategorisasikan kedalam dua kategori yaitu kata benda dan frase kata benda saja. Penelitian ini mencapai akurasi sebesar 88.31% menggunakan algoritma SVM. Figueroa et al.(2014) yang menggunakan HybridRank yaitu metode gabungan TextRank dan KEA untuk ekstraksi frase kunci dari abstrak jurnal berbahasa Inggris. Pada penelitian ini menggunakan koleksi dokumen dari IEEE Xplore sebanyak 1606 dokumen dan koleksi dokumen Hulth 2003 sebanyak 2000 dokumen yang didalamnya mengandung bagian abstrak. Pada penelitiannya ini dapat menghasilkan daftar keyphrase dengan kualitas terbaik untuk artikel pendek berupa abstrak tersebut. Li et al.(2014) mencoba meningkatkan algoritma Textrank menggunakan domain pengetahuan untuk artikel ilmiah bahasa Cina. Pada penelitiannya ini, algoritma textrank dimodifikasi pada bagian preprocessingnya dimana pada penentuan kandidat kata kuncinya menggunakan metode Document Frequency Accessor Variety (DF-AV) karena menurutnya jika menggunakan POS tagging tidak cukup akurat untuk diaplikasikan pada jurnal ilmiah bahasa Cina. Kemudian pada penelitiannya ini digunakan pengetahuan terhadap kata kunci yang sudah dikenali pada beberapa domain pengetahuan dengan menghitung panjang kata kunci, komponen kata kuncinya, dan juga frekuensi tertinggi kata kunci untuk menggantikan fungsi thesaurus seperti pada domain pengetahuan beberapa penelitian sebelumnya. Akurasi yang didapatkan ternyata mampu lebih tinggi dari algoritma TF-IDF. Farizi (2015) membuat sistem rekomendasi tag pada berita online berbahasa Indonesia dengan menggunakan metode TF-IDF dan Collaborative Tagging yang menghasilkan persentase relevansi tag sekitar 79,97% dan 80,6%. Penggunaan metode TF-IDF dan collaborative tagging sangat bergantung pada berita-berita yang telah dipublikasikan sebelumnya. Hasil Pengujian sistem menggunakan 9 berita masukan dan 60 data berita yang terdiri dari 3 kategori berita yaitu ekonomi, nasional, dan olahraga. Pada penelitian ini untuk deteksi frase yaitu dengan melihat apakah setiap
15 kata yang menyusun frasa tersebut diawali dengan huruf kapital. Jika kata tersebut tidak diawali oleh huruf kapital, maka kata tersebut dianggap sebagai kata biasa dan bukan frase. Paymard(2015) menggunakan metode neural network untuk menyelesaikan masalah ekstraksi frasa kunci dari dokumen berbahasa Persia secara otomatis. Pada penelitian ini, Preprocessing yang dilakukan dengan menggunakan metode neural network mampu maningkatkan akurasi ekstraksi diatas 80%. Salah satu tahapan penting yang digunakan yaitu tahapan pembelajaran jaringan (network learning) dengan memperhatikan parameter jumlah waktu pada network training. Tahapan preprocessing yang ada pada penelitian ini menjadi tahapan yang harus lebih diperhatikan karena akan meningkatkan akurasi kata kunci yang dihasilkan oleh metode neural network. Horita et al.(2016) melakukan penelitian untuk ekstraksi kata kunci untuk proses wikifikasi dimana yang menjadi data sumbernya yaitu artikel di dalam web wikipedia untuk dokumen berbahasa asia seperti halnya dokumen bahasa Jepang dengan menggunakan metode Top Consecutive Nouns Cohesion (TCNC) untuk proses ekstraksi kandidat kata kuncinya dan menggunakan Dice Coefficient atau Keyphraseness untuk meranking kata kunci hasil ekstraksi. Wikifikasi merupakan metode untuk ekstraksi kata kunci secara otomatis dari sebuah dokumen dan melinknya kedalam artikel wikipedia yang sesuai. Pada penelitian ini digunakan artikel wikipedia bahasa Jepang dimana jumlah data ujinya yaitu 296 link teks. Penelitian terdahulu yang telah dijelaskan diatas akan diuraikan secara singkat pada Tabel 2.2 berikut: Tabel 2.2 Penelitian Terdahulu No. Peneliti Tahun Metode Keterangan 1. Pinaki Bhaskar, Kishorjit Nongmeikapam & Sivaji Bandyopadhyay 2012 Conditional Random Fields (CRF) Data yang digunakan merupakan dokumen ilmiah berbahasa Inggris Membutuhkan tahapan training data. Menerapkan ekstraksi berdasarkan fitur posisi kata
16 Tabel 2.2 Penelitian Terdahulu (Lanjutan) No Peneliti Tahun Metode Keterangan 2. Nidaa Ghalib Ali & Nazlia Omar 2014 Gabungan metode statistikal (unsupervised dan supervised) dan pendekatan pembelajaran mesin (machine learning) seperti linear logistic regression,linear discriminant analysis dan support vector machines. Data yang diolah adalah dokumen berbahasa Arab Kandidat frase/ kata kunci yang dibentuk hanya dikategorikan dalam 2 jenis kelas kata yaitu noun dan noun phrase 3 Gerardo Figueroa & Yi-Shin Chen 2014 Metode HybridRank yaitu gabungan metode TextRank dan KEA Data berupa abstrak jurnal berbahasa Inggris Menghasilkan daftar kata kunci kualitas tinggi untuk artikel pendek. 4 Guangyi Li & Houfeng Wang 2014 Metode Textrank menggunakan domain pengetahuan (pengetahuan terhadap panjang kata kunci,komponen kata kunci, frekuensi kata kunci) Data yang digunakan yaitu artikel ilmiah bahasa Cina online Menggunakan metode DF-AV untuk membentuk kandidat katanya. 5 Salman Al Farizi 2015 Metode TF-IDF untuk proses penghitungan bobot dan collaborative tagging untuk mengukur persentase kemiripan tag hasil ekstraksi TF-IDF dengan tag berita yang telah dipublikasikan. Hasil Pengujian sistem menggunakan data berita berbahasa Indonesia Frase dibentuk dengan melihat apakah kata tersebut diawali dengan huruf kapital atau tidak. Akurasi yang dihasilkan yaitu 79,9% untuk relevansi tag terhadap isi berita
17 dan 80,6% untuk relevansi rata-rata menggunakan collaborative tagging. Tabel 2.2 Penelitian Terdahulu (Lanjutan) No Peneliti Tahun Metode Keterangan 6 Seyyede Fateme Paymard 2015 Metode neural network Data yang digunakan yaitu artikel bahasa Persia Menggunakan tahapan training data 7 Kensuke Horita, Fuminori Kimura & Akira Maeda 2016 Metode Top Consecutive Nouns Cohesion(TCNC) untuk ekstraksi kandidat kata kunci dan untuk meranking kata kunci hasil ekstraksi menggunakan Dice coefficient atau Keyphraseness. Pada penelitian ini digunakan artikel wikipedia bahasa Jepang dimana jumlah data ujinya yaitu 296 link teks TCNC dan keyphraseness menghasilkan akurasi lebih tinggi dibandingkan TCNC dan Dice coefficient. Berdasarkan beberapa penelitian sebelumnya tersebut, maka pada penelitian ini penulis memanfaatan algoritma textrank untuk diuji pada teks berbahasa Indonesia dengan memodifikasi pada tahapan preprocessing-nya dimana pada tahapan ekstraksi kandidat kata kuncinya akan menggunakan aturan multiword expression candidate. Pada penelitian ini juga untuk setiap kata kunci yang diekstraksi kemudian akan diperhitungkan komponen katanya yang akan dijalankan pada tahapan postprocessing. Diharapkan dengan menggunakan metode ini dapat menghasilkan rekomendasi kata kunci untuk teks bahasa Indonesia dengan akurasi yang baik.