NLP (NATURAL LANGUAGE PROCESSING)

A. Pengolahan Bahasa Alami

• Kompetensi Dasar
• Mahasiswa mampu memahami konsep dan aplikasi pengolahan bahasa alami.
• Indikator Pencapaian
• Mahasiswa dapat membuat model parsing dan semantik dalam pengolahan bahasa alami.
• Referensi Utama
• Stuart Russell, Peter Norvig, 2009, Artificial Intelligence: A Modern Approach (3rd ed),
Prentice Hall
• Pengolahan Bahasa Alami merupakan proses pembuatan model komputasi bahasa sehingga
memungkinkan adanya komunikasi antara manusia dan komputer.
• Tipe, suara atau tulisan.
• Parsing syntax, memecah kalimat menjadi kesatuan yang lebih kecil.
• Inferensi semantik, melakukan penalaran untuk mendapatkan makna.
• Emosi, pembedaan makna berdasarkan irama, intonasi dan infleksi.

B. Aplikasi NLP
• Text-based application, menggunakan teks secara tertulis.
• Dialog-based application, memasukkan teks melalui keyboard. Memanipulasi bahasa lisan merupakan
bagian dari speech recognition.

C. Bidang-bidang yang berhubungan dengan NLP

• Fonetik & Fonologi, berhubungan dengan suara yang menghasilkan kata.
• Morfologi, merupakan pengetahuan tentang kata & bentuknya yang digunakan untuk membedakan kata.
• Sintaksis, merupakan pemahaman tentang urut-urutan kata dakam membentuk kalimat serta hubungan
antar kata dalam proses perubahan bentuk yang lebih sistematis.
• Semantik, berhubungan dengan arti kata dan pemetaan bentuk struktur sintak dengan memanfaatkan
setiap kata ke bentuk yang lebih mendasar dan tidak tergantung pada kalimat.
• Pragmatik, merepresentasikan apa yang diucapkan diinterpretasikan lagi untuk menentukan arti yang
sebenarnya tergantung pada situasi dan tujuan.
• Discource knowledge, merupakan pengenalan apakah kalimat yang dikenali sebelumnya akan
mempengaruhi kalimat berikutnya.
• World knowledge, berhubungan dengan arti kata secara umum dan apakah kata tersebut memiliki arti
secara khusus dalam suatu percakapan dengan konteks tertentu.

D. Tahapan Pengolahan Bahasa Alami

1. Analisis morfologi, menganalisis kata secara individual dan memisahkan komponen bukan kata (seperti:
tanda baca).
2. Analisis syntax, urutan kata ditransformasikan ke dalam struktur yang menunjukkan hubungan antar kata.
3. Analisis semantik, pemetaan struktur sintaksis dalam domain kerja, dan menolak struktur yang tidak
dipetakan.
4. Discourse integration, arti dari suatu kalimat bisa jadi tergantung pada kalimat-kalimat sebelumnya dan
dimungkinkan juga akan mempengaruhi kalimat-kalimat berikutnya.
5. Analisis pragmatis, struktur yang merepresentasikan apa yang diucapkan diinterpretasikan lagi untuk
menentukan arti yang sebenarnya.
Grammar
• Grammar, sekumpulan aturan produksi yang menentukan apakah suatu kalimat diterima oleh bahasa
tersebut.

1
E. Grammar – Bahasa Inggris

ATURAN ATURAN

S → NP VP VP → V
NP → the NP1 VP → V NP
NP → PRO N → human | computer | file
NP → PN PN → Wati
NP → NP1 PRO → I
NP1 → adjs N adj → fast | short | high

adjs → | adj adjs V → checked | printed | want

F. Tata Bahasa – Bahasa Indonesia

• Kalimat
• Satuan sintaksis terbesar yang terdiri-dari dua kata atau lebih
• Bisa terdiri-dari klausa dan frasa
• Klausa
• Satuan sintaksis yang yang terdiri-dari dua kata atau lebih yang mengandung unsur predikasi
(SPOK)
• Frasa
• Satuan sintaksis yang yang terdiri-dari dua kata atau lebih yang tidak mengandung unsur
predikasi

2
 SOFT COMPUTING
A. Soft Computting
• Kompetensi Dasar
• Mahasiswa mampu menjelaskan definisi dan komponen-komponen soft computing, serta
permasalahan yang dapat diselesaikan.
• Indikator Pencapaian
• Mahasiswa dapat memberikan contoh macam-macam masalah yang dapat diselesaikan dengan
soft computing.
• Soft computing adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya
toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan
mudah, robustness, dan biaya penyelesaiannya murah.
• Definisi ini pertama kali diungkapkan oleh Prof. Lotfi A. Zadeh pada tahun 1992.

B. Teknik Pemecahan Masalah

C. Komponen Soft Computing

• Fuzzy Logic
• Neural Network
• Probabilistic Reasoning
• Evolutionary Computation
• Evolutionary Algorithm : Algoritma Genetika.
• Metaheuristik (Swarm Intelligence): Ant Syatem, Particle Swarm Optimization, Immune System,
dll.
• Chaos Theory

D. Sistem Fuzzy
• Konsepnya menggunakan teori himpunan.

• Menggunakan derajat keanggotaan fuzzy untuk menunjukkan seberapa besar suatu nilai masuk dalam
suatu himpunan fuzzy.
• Bidang kajian:
• Fuzzy Inference System
• Fuzzy Clustering
• Fuzzy Database
• Fuzzy Mathematical Programming
Sistem Fuzzy
• FIS
• Tsukamoto
3
 • TSK (Takagi Sugeno Kang)
• Mamdani
• Clustering
• Fuzzy C-Means (FCM)
• Fuzzy Subtractive Clustering
• Database
• Tahani
• Umano
• Math. Programming
• Fuzzy Linear Programming
• Fuzzy Tranportation Problem
• Fuzzy relation, Fuzzy kNN, Fuzzy MADM, Fuzzy C-Covering, dll
• Type-2 Fuzzy Set

E. Jaringan Syaraf Tiruan

• Menggunakan algoritma pembelajaran untuk mendapatkan bobot-bobot yang optimum.
• Jenis pembelajaran: supervised learning, dan unsupervised learning.
• Algoritma pembelajaran :
• Perceptron
• Radial Basis
• Backpropagation (sederhana & lanjut)
• Self Organizing
• Learning Vector Quantization

F. Algoritma Evolusioner
• Menggunakan pendekatan teori evolusi.
• Dipelopori oleh Algoritma Genetika dengan tujuan Optimasi.
• Komponen standar:
• Teknik penyandian
• Prosedur inisialisasi dan penentuan parameter
• Fungsi evaluasi
• Seleksi
• Rekombinasi dan seleksi

G. Probabilistic Reasoning
• Mengakomodasi adanya faktor ketidakpastian.
• Teori-teori yang berkembang:
• Teorema Bayes
• Certainty Factor (statistic reasoning)
• Teorema Dempster-Shafer (statistic reasoning)

H. Hybrid System
• Setiap komponen dalam Soft computing tidak saling ‘berkompetisi’, melainkan justru saling
‘melengkapi’.
• Hybrid system merupakan perpaduan antar komponen dalam soft computing.

I. Hybrid System
• Neuro-fuzzy Systems
• Fuzzy Neural Network
• Fuzzy Genetic Algorithms
• Neuro-genetic Systems

4
 SISTEM AGEN
A. Sistem Agen
• Kompetensi Dasar
• Mahasiswa mampu menjelaskan definisi & komponen-komponen sistem agen dan metodologi
pengembangan sistem agen.
• Indikator Pencapaian
• Mahasiswa dapat menjelaskan arti sistem agen dan komponen-komponennya.
• Mahasiswa dapat memberikan contoh macam-macam masalah yang dapat diselesaikan dengan
sistem agen.
• Mahasiswa dapat menjelaskan dan memberikan contoh task environment.
• Mahasiswa dapat menjelaskan beberapa struktur agen.
• Mahasiswa dapat menjelaskan dan merancang sistem agen dengan Promotheus Methodology.
• Referensi Utama
• Russell S & Norvig P. (2009). Artificial Intelligence: A Modern Approach (3rd edition). New
Jersey: Prentice Hall
• Poole DL & Mackworth AK. (2010). Artificial Intelligence: Foundations of Computational
Agents. New York: Cambridge.
• Padgham L & Winikoff M. (2004). Developing Intelligent Agent System: A Practical Guide.
New York: John Wiley & Sons, Ltd.

B. Agen merupakan sesuatu yang melakukan aksi dalam suatu lingkungan. Agen dapat berupa manusia, robot,
perusahaan, negara, cacing, dll
• Agen bereaksi dengan lingkungan melalui body. Embodied agent adalah agen yang memiliki body fisik.
• Agen menerima informasi melalui sensor. Aksi dilakukan berdasarkan informasi yang diperoleh melalui
sensor.
• Agen beraksi melalui actuators (affectors).

C. Sistem Agen adalah sistem yang berisi agen beserta lingkungannya.

• Agen dibangun atas body dan controller. Controller bertugas menerima persepsi dari body dan
mengirimkan perintah (command) ke body.
• Di dalam body terdapat sensor yang mengubah stimuli menjadi persepsi, dan terdapat actuators yang
mengubah command menjadi aksi.

D. Aksi suatu agen dikatakan cerdas manakala:

• Apa yang dilakukan sesuai dengan situasi, kondisi dan tujuannya.
• Fleksibel untuk mengubah lingkungan dan tujuannya.
• Belajar dari pengalaman.
• Mampu membuat pilihan yang tepat apabila diberikan batasan komputasi dan persepsi.

5
E. Computational Agent merupakan suatu agen yang keputusannya (berupa aksi) dapat di break down menjadi
operasi-operasi dasar yang dapat diimplementasikan dengan peralatan fisik.
• Misal: komputer (hardware).

F. Software Agent merupakan suatu program yang beraksi murni pada lingkungan komputasi.
• Aksi yang dilakukan oleh agen tergantung pada:
• Prior knowledge, pengetahuan yang dimiliki oleh agen dan lingkungannya.
• History of interaction with environment, sejarah interaksi dengan lingkungan yang merupakan
komposisi dari observasi terhadap lingkungan sekarang dan pengalaman masa lalu.
• Goal, mencoba untuk mencapai atau memilih keadaan yang ada.
• Abilities, mampu menyelesaikan masalah dengan aksi-aksi dasarnya.

G. Intelligent agent adalah potongan software yang:

• Situated – eksis dalam lingkungannya
• Autonomous – bersifat bebas dan tidak dikendalikan dari luar.
• Reactive – respon setiap saat untuk melakukan perubahan dalam lingkungannya.
• Proactive – secara terus menerus berjalan untuk mencapai tujuan.
• Flexible – memiliki berbagai cara untuk meraih tujuan.
• Robust – mampu memperbaiki diri dari kegagalan.
• Social – memiliki kemampuan untuk berinteraksi dengan agen-agen yang lain.

Urutan Persepsi Aksi

(A, Bersih) Pindah ke kanan
(A, Kotor) Bersihkan
(B, Bersih) Pindah ke kiri
(B, Kotor) Bersihkan
(A, Bersih), (A, Bersih) Pindah ke kanan
(A, Bersih), (A, Kotor) Bersihkan
...
(A, Bersih), (A, Bersih), (A, Bersih) Pindah ke kanan
(A, Bersih), (A, Bersih), (A, Kotor) Bersihkan
...
6
H. Task environment terdiri-atas:
• Performance measure (P). Otomatisasi seperti apa yang diinginkan.
• Environment (E). Lingkungan seperti apa yang akan dihadapi.
• Actuators (A). Untuk melakukan aksi apa saja yang seharusnya dilakukan.
• Sensors (S). Untuk mengetahui kondisi yang terjadi saat ini
• Contoh: “Pengemudi Taksi”
• Performance measure (P). Keselamatan, kenyamanan perjalanan, minimisasi biaya.
• Environment (E). Jalan, lalu lintas, pejalan kaki, pelanggan.
• Actuators (A). Kemudi, akselerasi, bel, rem.
• Sensors (S). Speedometer, GPS, kamera.
• Contoh: “SPK Diagnosis Penyakit”
• Performance measure (P). Kesehatan & keselamatan pasien, biaya murah.
• Environment (E). Pasien, rumah sakit, staf.
• Actuators (A). Display pertanyaan (anamnesis), diagnosis, treatment, prognosis.
• Sensors (S). Masukan gejala, tanda-tanda dan jawaban dari pasien.

I. Dimensi Task Environment

• Fully Observable vs Partially Observable
• Fully observable. Jika sensor dapat memberikan informasi keadaan secara lengkap terhadap
semua titik di setiap waktu.
• Partially observable. Jika sensor hanya memberikan informasi sebagian keadaan saja di setiap
waktu.
• Contoh: sensor vacum cleaner hanya mengetahui keadaan di suatu ruang (tempat) tanpa tahu
keadaan di tempat lain.
• Deterministic vs Stochastic
• Deterministic. Jika kondisi lingkungan selanjutnya ditentukan oleh keadaan sekarang & aksi yang
dilakukan oleh agen. Jika lingkungannya deterministik kecuali aksi agen lain maka disebut
strategic.
• Contoh: vacum cleaner.
• Stochastic. Sebaliknya dari deterministic.
• Contoh: pengemudi taksi, karena situasi lalu lintas tidak dapat diprediksi dengan pasti.
• Episodic vs Sequential
• Episodic. Pengalaman agen dibagi menjadi beberapa episode yang saling mandiri tidak
tergantung satu episode dengan episode lainnya.
• Contoh: pekerjaan asembly kendaraan.
• Sequential. Episode sekarang akan mempengaruhi episode berikutnya.
• Contoh: pengemudi taksi, catur.
• Static vs Dynamic
• Static. Jika lingkungan tidak berubah pada saat agen beraksi.
• Contoh: crossword puzzle.
• Dynamic. Jika lingkungan dapat berubah pada saat agen beraksi.
• Contoh: mengemudi taksi, catur (semi-dynamic).
• Discrete vs Continuous
• Discrete dan continuous, dapat diterapkan untuk mengendalikan waktu, persepsi dan aksi.
• Contoh: permainan catur adalah contoh diskret waktu, persepsi dan aksi.
• Contoh: mengemudi taksi adalah contoh continuous waktu, persepsi dan aksi.
• Single agent vs Multiagent
• Single agent dan multiagen, tergantung pada banyaknya agen yang beraksi pada lingkungan.
• Contoh: permainan crossword adalah single agent.
• Contoh: mengemudi taksi dan permainan catur adalah multiagent.

7
 Task environment observable Deterministic Episodic Static Discrete Agent
Crossword puzzle Fully Deterministic Sequential Static Discrete Single
Chess eith clock Fully Strategic Sequential Static Discrete Multi
Poker Partially Strategic Sequential Static Discrete Multi
Backgammon Fully Stochastic Sequential Static Discrete Multi
Taxi driving Partially Stochastic Sequential Dynamic Continuous Multi
Medical diagnosis Partially Stochastic Sequential Dynamic Continuous Single
Image analysis Fully Deterministic Episodic Static Continuous Single
Part-picking robot Partially Stochastic Episodic Dynamic Continuous Single
Refinery controller Partially Stochastic Sequential Dynamic Continuous Single
Interactive English tutor Partially Stochastic Sequential Dynamic Discrete Multi

J. Struktur Agents
• Simple reflex agents
• Agen-agen menyeleksi aksi atas dasar persepsi sekarang serta mengabaikan keberadaan sejarah
persepsi.
• Contoh: vacum cleaner.

• Model-based reflex agents

• Agen-agen yang menggunakan model (menggunakan pengetahuan tentang “how the world
works”) disebut dengan model-based agent.
• Dibutuhkan informasi tentang: 1) How the world evolves independenly of the agent; 2) How the
agent’s own actions affect the world.
• Contoh: mengemudi taksi.

8
• Goal-based agents
• Agen-agen membutuhkan informasi tentang kondisi saat ini dan informasi tentang tujuan yang
diinginkan.
• Contoh: mengemudi taksi. Selain membutuhkan kondisi saat ini untuk melakukan aksi (misal:
belok kanan atau kiri), pengemudi juga membutuhkan informasi tentang lokasi tujuan
penumpang.

• Utility-based agents
• Agen-agen menggunakan utility function dalam mengambil keputusan.
• Jika ada konflik antar tujuan, maka hanya salah satu tujuan yang akan dipenuhi. Misal: konflik
antara kecepatan dan keselamatan.
• Jika ada beberapa tujuan yang ingin dicapai namun tidak ada yang pasti, maka utility
menyediakan cara dimana likelihood of success diboboti terhadap goals nya.

9
 • Learning agents
• Agen-agen dilengkapi dengan learning element yang bertanggung jawab dalam melakukan
perbaikan/kemajuan dan performance element yang bertanggung jawab dalam menyeleksi aksi-
aksi eksternal. Problem generator digunakan untuk memberikan saran aksi.
• Contoh: program catur.

K. Membangun Agen
• Strategi membangun agen
• Menyederhanakan lingkungan. Menyederhanakan lingkungan dan kemudian membangun sistem
penalaran yang komplek pada linkungan yang sederhana tersebut.
• Menyederhanakan agen. Membangun agen yang sederhana di lingkungan yang alami.

10
L. Promotheus Methodology
• Methodology menyediakan suatu proses yang dipandu secara detil (termasuk contoh dan heuristik) dan
notasi-notasi yang digunakan untuk mendeskripsikan desain artifacts.
• Promotheus Methodology mendukung kebutuhan agen-agen yang proaktif yang support terhadap tujuan-
tujuan pemodelan secara eksplisit.
• Promotheus Methodology terdiri-dari tiga fase:
• System specification phase, menitikberatkan pada identifikasi tujuan dan fungsi-fungsi dasar
sistem termasuk input (persepsi) dan output (aksi).
• Architectural design phase, menggunakan output dari fase sebelumnya untuk menentukan tipe
agen dalam sistem dan bagaimana mereka beriteraksi.
• Detailed design phase, melihat kondisi internal dari setiap agen dan bagaimana mereka
menyelesaikan tugasnya dalam sistem.

11