PROPOSAL TUGAS AKHIR

APLIKASI PENGANALISIS TATA BAHASA INDONESIA BEBAS

KONTEKS DENGAN ALGORITMA STEMMING NAZIEF-ADRIANI

Disusun oleh

Habib Malik (10/297422/PA/12989)

PROGRAM STUDI S1 ILMU KOMPUTER

JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2014

DAFTAR ISI

Halaman

DAFTAR ISI ............................................................................................................. i

BAB I PENDAHULUAN............................................................................. 1

1.1 Latar Belakang ........................................................................... 1

1.2 Batasan Masalah ......................................................................... 2

1.3 Tujuan ........................................................................................ 3

1.4 Manfaat ...................................................................................... 3

BAB II TINJAUAN PUSTAKA.................................................................... 4

BAB III LANDASAN TEORI ........................................................................ 6

3.1 Tata Bahasa Baku Bahasa Indonesia........................................... 6

3.2 Pemrosesan Bahasa Alami.......................................................... 6

3.2.1. NLTK............................................................................. 6

3.2.2. Algoritma Stemmer Nazief - Adriani............................. 7

3.3 Python......................................................................................... 8

BAB IV METODE PENELITIAN .................................................................. 9

4.1 Deskripsi Implementasi............................................................... 9

4.2 Data............................................................................................. 9

4.3 Kamus Kelas Kata....................................................................... 10

4.4 Perangkat Pengujian ................................................................... 10

4.5 Rujukan Tata Bahasa................................................................... 11

BAB V JADWAL PENELITIAN................................................................... 12

DAFTAR PUSTAKA ................................................................................................. 14

i

BAB I

PENDAHULUAN

1.1 Latar Belakang

Bahasa Indonesia adalah bahasa resmi dari negara Indonesia. Bahasa

Indonesia memiliki sekitar 23 juta penutur asli pada tahun 2010, dan lebih dari

140.000.000 penutur L2 (Ethnologue, 2013). Sayangnya, kesalahan dalam

berbahasa Indonesia masih sering ditemukan, bahkan di media cetak komersil

(Amsir, 2012).

Penggunaan teknologi untuk membantu menghindari kesalahan-kesalahan

umum dalam penggunaan bahasa Indonesia. Penelitian mengenai Pemrosesan

Bahasa Alami (Natural Language Processing), selanjutnya disebut NLP, untuk

Bahasa Indonesia telah dilakukan setidaknya sejak tahun 1995 (Adriani dan

Manurung, 2008), yaitu pengembangan aplikasi penganalisis tata bahasa

Indonesia menggunakan tata bahasa reguler LL dan LR. Contoh aplikasi NLP

yang telah dikembangkan untuk Bahasa Indonesia adalah Cross-Language IR,

Document Summarization, Question Answering, Geographic Information

Retrieval, dan Information Extraction (Adriani & Manurung, 2008).

Menurut Asian (2007), menurut Frakes, salah satu teknik NLP untuk

sistem temu balik informasi yang efisien dan efektif adalah stemming, yaitu teknik

untuk mencari akar kata dari suatu kata berimbuhan. Contoh penggunaannya

adalah pengguna dapat mencari dokumen yang berisi kata dasar yang sama

dengan kata yang dimasukkan ke dalam query. Contohnya, kata “menari” berasal

dari kata dasar “tari”. Dengan teknik ini, pengguna juga dapat mencari dokumen

yang berisi kata “tarian” atau “menari”, yang juga berasal dari kata dasar “tari”.

Stemming dapat meningkatkan recall, namun mungkin dapat mengurangi

precision (Asian, 2007). Algoritma stemming juga dapat digunakan untuk

menganalisis jenis imbuhan dan kelas kata (Maryani, 2011). Terdapat beberapa

algoritma stemming yang telah dikembangkan untuk Bahasa Indonesia, antara lain

algoritma Nazief dan Adriani, algoritma Arifin dan Setiono, algoritma Vega,

1

algoritma Ahmad, Yusoff, dan Sembok, dan algoritma Idris. Dari kelima

algoritma tersebut, hanya algoritma Vega yang tidak menggunakan kamus.

Menurut Asian (2007), algoritma Nazief dan Adriani memiliki tingkat keakuratan

tertinggi dibandingkan empat algoritma lain di atas, yaitu 92,8%, namun

keakuratan ini juga bergantung pada kamus kata dasar yang digunakan.

Penggunaan NLP untuk analisis tata bahasa bahasa Inggris telah banyak

digunakan secara komersial, contohnya pada aplikasi Grammarly, Ginger, dan

juga pada aplikasi Microsoft Word yang memiliki penguji tata bahasa terintegrasi.

Untuk bahasa Indonesia, aplikasi sejenis yang cukup banyak beredar hanya berupa

penguji ejaan (spell checker). Aplikasi penganalisis tata bahasa Indonesia telah

dibuat pada tahun 1995 oleh Syandra Sari, namun implementasinya masih

menggunakan tata bahasa LL dan LR. Kedua tata bahasa tersebut lebih sesuai

untuk pemrosesan bahasa reguler daripada bahasa alami (Tomita, n.d.). Pada

tahun 1999, Shelly Salvitri mengembangkan penganalisis struktur kalimat bahasa

Indonesia berbasiskan kamus kelas kata tanpa menggunakan stemmer, sehingga

untuk memproses kata-kata berimbuhan, kata-kata tersebut harus dimasukkan ke

dalam kamus kelas kata terlebih dulu.

1.2 Batasan Masalah

Masalah yang dibahas adalah analisis struktur kalimat dasar dalam tata

bahasa Indonesia bebas konteks (context-free grammar) serta POS-tagging

dengan menggunakan kamus dan stemmer. Penelitian akan difokuskan pada

kesalahan struktural saja, tanpa memandang konteks budaya, diksi, atau logika.

Selain itu, pengujian tanda baca juga dibatasi pada tanda baca '.', '?', dan '!' saja.

Pengujian pengejaan tidak disertakan dalam penelitian ini karena hal tersebut

sudah digunakan secara luas di berbagai aplikasi pemroses kata dengan

keakuratan yang cukup baik. Selain itu, untuk membatasi cakupan penelitian ini,

dukungan untuk Named-Entity Recognition serta identifikasi singkatan tidak akan

dibahas terlalu jauh.

1.3 Tujuan

2

Tujuan dari penelitian ini adalah untuk membuat suatu aplikasi yang dapat

mendeteksi kesalahan-kesalahan dasar dalam struktur kalimat berdasarkan tata

bahasa baku bahasa Indonesia. Aplikasi ini diharapkan dapat melengkapi penguji

pengejaan bahasa Indonesia yang telah banyak digunakan, dan juga dapat

digunakan untuk penelitian lebih lanjut mengenai penganalisis tata bahasa

Indonesia. Selain itu, performa dari aplikasi ini juga akan diteliti untuk mencari

tahu apakah aplikasi ini dapat digunakan untuk kebutuhan sehari-hari, dan jika

tidak, mencari cara untuk memperbaiki kinerjanya.

1.4 Manfaat

Manfaat dari penelitian ini adalah sebagai salah satu pustaka penelitian di

bidang NLP untuk bahasa Indonesia. Hasil dari penelitian ini juga dapat

digunakan untuk kegiatan sehari-hari, misalnya sebagai pengecek tata bahasa

untuk menghindari kesalahan-kesalahan umum dalam penggunaan bahasa

Indonesia. Dengan penelitian lebih lanjut, hasil penelitian ini diharapkan dapat

membantu masyarakat Indonesia untuk lebih menggunakan bahasa Indonesia

secara lebih benar dan bertanggungjawab, khususnya untuk penulisan-penulisan

resmi.

3

BAB II

TINJAUAN PUSTAKA

Salvitri (1999) melakukan riset mengenai analisis struktur kalimat bahasa

Indonesia berbasis Linguistic String Analysis. Stemmer tidak digunakan dalam

penelitian ini, sehingga ukuran kamus kelas kata yang digunakan cukup besar.

Dalam kamus kelas kata yang dimiliki penulis, terdapat lebih dari 90.000 entri

lema, dan belum memuat seluruh kata berimbuhan. Sebagai perbandingan, kata

dasar pada kamus tersebut hanya berjumlah sekitar 24.000 entri. Selain itu, pada

penelitian tersebut, belum ada mekanisme pendeteksian kesalahan tata bahasa

selain pendeteksian kesalahan struktur kalimat.

Alat bantu yang dikembangkan oleh Salvitri berhasil menguraikan 94,33%

kalimat masukan dengan baik. Namun, alat bantu tersebut masih belum mampu

mengatasi masalah ambiguitas kelas kata. Misalnya kata “cukup” dapat

dikategorikan menjadi adverbia atau adjektiva, namun alat bantu ini hanya melihat

satu solusi saja tanpa melihat alternatif lain, sehingga memungkinkan adanya

kesalahan dalam analisis. Contoh kata lain adalah “tahu”, yang dapat

dikategorikan menjadi nomina atau verba.

Dari hasil penelitian tersebut, jelas terdapat ruang untuk pengembangan

lebih lanjut. Penulis akan mencoba untuk mengembangkan aplikasi yang dibuat

Salvitri tersebut sembari mencari pendekatan alternatif untuk menyelesaikan

masalah-masalah yang masih terdapat dalam aplikasi tersebut.

Maryani (2011) melakukan penelitian untuk pengembangan system POS-

tagger untuk bahasa Indonesia menggunakan algoritma stemming Arifin –

Setiono. Sistem yang dikembangkan dalam penelitian tersebut memiliki

keakuratan 93%. Dalam penelitian tersebut, kelas kata yang digunakan adalavah

nomina, verba, adjektiva, adverbia (waktu, tempat, modalitas, derajat),

pronomina, kata sambung, preposisi, penunjuk, numeralia, kata tanya, dan kata

seru. Selain itu, terdapat sistem pendeteksi ambiguitas kelas kata yang dapat

4

digunakan untuk masukan yang berupa kalimat. Kelas kata yang terdapat dalam

penelitian ini masih bisa dikembangkan lebih lanjut untuk mendukung sistem

analisis tata bahasa Indonesia, misalnya, kelas kata “verba” masih bisa dibagi-bagi

lagi menjadi “verba awal”, “verba transitif”, “verba intransitif”, “verba awal

transitif”, dan “verba awal intransitif”. Kelas-kelas kata tambahan ini dapat

digunakan untuk menganalisis ketepatan tata bahasa dalam kalimat, misalnya

dalam kalimat “saya bangun rumah”, jika kelas kata yang digunakan hanya

“verba”, maka kalimat tersebut akan diterima sebagai kalimat yang valid, karena

struktur kalimatnya adalah “pronomina – verba – nomina”. Namun, kalimat

tersebut sebenarnya tidaklah valid, karena kata “bangun” termasuk dalam kelas

“verba awal intransitif”, yaitu verba yang dapat digunakan dalam bentuk awal

(tanpa imbuhan), namun tidak dapat diikuti oleh obyek. Contoh lain adalah kelas

kata “penyangkal”, yang dalam penelitian ini dikategorikan sebagai “adverbial

modalitas” saja. Terdapat setidaknya tiga kata dalam kelas “penyangkal” ini, yaitu

“tidak”, “bukan”, dan “tanpa”. Kata-kata tersebut memiliki aturan penggunaannya

masing-masing, misalnya penggunaan kata “tidak” dalam kalimat “ini tidak alat

kampanye” tidaklah tepat.

Berdasarkan kedua penelitian tersebut, jelas terlihat bahwa stemmer dapat

digunakan sebagai pelengkap kamus kelas kata. Penggunaan stemmer

memungkinkan penggunaan kamus kelas kata yang ukurannya lebih kecil,

sehingga sistem tidak perlu melakukan pencarian yang terlalu banyak dalam

kamus. Namun, sebagai gantinya, sistem harus melakukan pemrosesan tambahan

(stemming) sebelum kelas kata dapat diberikan ke masing-masing kata.

Pendekatan yang digunakan dalam kedua penelitian ini disertai dengan kelas-kelas

kata tambahan dan aturan tata bahasa dapat digunakan untuk pengembangan

aplikasi penganalisis tata bahasa Indonesia berbasis stemmer.

5

BAB III

LANDASAN TEORI

3.1. Tata Bahasa Baku Bahasa Indonesia

Tata bahasa adalah ilmu yang mengatur penggunaan bahasa. Aspek-aspek

yang diatur dalam tata bahasa Indonesia antara lain adalah: (i) kelas kata, yang

terdiri dari setidaknya 15 kelas kata, yaitu kata benda, kata ganti, kata kerja, kata

sifat, kata sapaan, kata penunjuk, kata bilangan, kata penyangkal, kata depan, kata

penghubung, kata keterangan, kata tanya, kata seru, kata sandang, dan partikel;

(ii) imbuhan, yang terdiri dari akhiran (-i, -an, -kan, -nya, partikel -kah, -lah, -pun,

serta pronomina kepemilikan -ku dan -mu) dan awalan (di-, ke-, se-, be-, te-, pe-,

me-). Penulis tidak akan membahas sisipan, karena menurut Chaer (2011), sisipan

sudah tidak produktif lagi, dan penggunaannya terbatas pada kata-kata tertentu

saja; (iii) pengulangan kata; (iv) pembentukan dan penggunaan frase (frase benda,

frase kerja, frase sifat, frase preposisi, dan frase keterangan); (v) pembentukan

kalimat, yang terdiri dari kalimat sederhana, kalimat luas, kalimat elips, kalimat

berita, kalimat tanya, kalimat perintah, kalimat larangan, dan kalimat seruan; serta

(vi) penghubungan antar kalimat.

3.2. Pemrosesan Bahasa Alami

Pemrosesan bahasa alami adalah cabang ilmu komputer yang berhubungan

dengan interaksi komputer dengan bahasa alami. Salah satu kumpulan modul

yang tersedia untuk pemrosesan bahasa alami adalah NLTK (Natural Language

Toolkit) yang dapat diakses dan diunduh di situs web www.nltk.org. Selain itu,

penulis juga akan menggunakan algoritma stemming Nazief - Adriani untuk

mendeteksi imbuhan

3.2.1. NLTK

NLTK adalah kumpulan modul linguistik yang dapat diimpor ke dalam

kode Python. Contoh modul yang dimiliki oleh NLTK adalah modul tokenisasi

(pemisahan elemen-elemen dalam kalimat menjadi token individual), Named-

6

Entity Recognition, POS-tagger, dan stemmer. Sebagian besar modul tersebut

belum dapat digunakan untuk bahasa Indonesia, oleh karena itu, penulis hanya

akan menggunakan modul tokenisasi, sehingga masing-masing token dapat

diproses dan dianalisis secara terpisah. Modul tokenisasi yang digunakan adalah

“WordPunctTokenizer”, yaitu modul tokenisasi yang dapat mendeteksi elemen

tanda baca, selain dari elemen kata. Setiap elemen selain tanda baca akan

dipisahkan menjadi token jika terdapat spasi di antara elemen tersebut, sedangkan

tanda baca akan langsung diidentifikasi dan dipisahkan menjadi token, terlepas

dari ada atau tidaknya spasi sebelum atau sesudah tanda baca tersebut.

3.2.2. Algoritma Stemming Nazief – Adriani

Algoritma stemming Nazief – Adriani merupakan salah satu algoritma

stemmer untuk bahasa Indonesia berbasis kamus. Setiap kata yang diproses oleh

stemmer akan dipisahkan dari imbuhannya secara bertahap. Namun, untuk setiap

tahap pemisahan, kata akan dicek terlebih dulu di kamus kata dasar, dan jika

ternyata kata ditemukan dalam kamus tersebut, proses stemming akan dihentikan.

Menurut Asian (2007), algoritma stemming Nazief – Adriani merupakan

algoritma stemming yang memiliki tingkat keakuratan terbaik dibandingkan

dengan algoritma stemming lainnya, baik yang berbasis kamus ataupun murni

berbasis aturan. Karena sifat algoritma ini yang memisahkan imbuhan secara

bertahap, algoritma ini juga dapat digunakan untuk mengidentifikasi imbuhan

yang terdapat dalam suatu kata berimbuhan, dan oleh karena itu dapat digunakan

untuk memberikan kelas kata yang sesuai.

3.3. Python

Python adalah bahasa pemrograman tingkat tinggi yang mendukung

berbagai paradigma pemrograman, seperti pemrograman berbasis obyek,

pemrograman prosedural, dan pemrograman fungsional. Filosofi desain Python

7

mengedepankan, antara lain, kode yang mudah dibaca dan dimengerti, sintaks

yang lebih pendek, bahasa yang "indah", kesederhanaan kode (Peters, 2004).

Implementasi standar Python adalah CPython, yang merupakan sebuah bytecode

interpreter. Kode sumber Python akan diinterpret menjadi bytecode dengan

format .pyc. Berkas .pyc dapat dijalankan oleh Python Virtual Machine. Dengan

implementasi seperti ini, kode yang ditulis dalam Python dapat dijalankan di

beberapa sistem operasi berbeda, dengan syarat interpreter dan virtual machine

Python telah diinstall di sistem operasi tersebut.

8

BAB IV

METODE PENELITIAN

4.1. Implementasi

Implementasi penelitian ini menggunakan bahasa Python dan berbasis

desktop. Aplikasi dapat dijalankan di sistem operasi apa saja selama modul NLTK

dan PVM (Python Virtual Machine) telah diinstall dalam sistem tersebut.

Masukan yang akan digunakan adalah kalimat dari media berita daring dan juga

dari literatur. Hasil keluaran adalah analisis dari masukan yang berupa Part-of-

Speech Tag dari masing-masing kata, frase yang terbentuk dari kata-kata

masukan, struktur kalimat, dan kesalahan yang mungkin terdapat dalam kalimat

tersebut. Kalimat masukan akan ditokenisasi dan token-token tersebut akan

disimpan dengan tipe data list. Selanjutnya, masing-masing token akan dicek

kelas katanya menggunakan kamus kelas kata yang berbentuk dictionary of list

(dictionary yang memuat string sebagai key dan list sebagai key value)

Penggunaan list sebagai key value dimaksudkan untuk menampung kelas kata

ganda yang mungkin dimiliki oleh suatu kata. Jika kata tidak ditemukan pada

kamus, mengindikasikan kata tersebut mungkin memiliki imbuhan, kata akan

diproses oleh stemmer. Jika tetap tidak ada kelas kata yang dapat diberikan ke

kata tersebut, maka kata tersebut akan dianggap sebagai kata yang tidak valid.

Selanjutnya, jika ternyata terdapat lebih dari satu kelas kata untuk kata tersebut,

kata-kata di depan atau di belakang kata tersebut akan dicek terlebih dulu untuk

menentukan kelas kata yang sesuai untuk kata tersebut.

Setelah pemrosesan kelas kata selesai (terlepas dari ditemukannya kelas

kata untuk semua kata atau tidak), kelas kata akan diproses untuk menentukan

frase dari kata-kata tersebut dan perannya dalam kalimat. Misalnya, dalam kata

“Saya membeli buku”, kata “Saya” akan mendapat kelas kata “Pronomina” dan

berperan sebagai subyek, “membeli” akan mendapat kelas kata “Verba Transitif”

(setelah melalui proses stemming) dan berperan sebagai predikat, dan “buku” akan

mendapat kelas kata “Nomina” dan berperan sebagai obyek. Selanjutnya kalimat

9

tersebut akan diuji apakah memiliki kesalahan atau tidak. Tidak ada kesalahan

dalam kalimat contoh, tetapi, misalkan kata “buku” dihapus dari kalimat tersebut,

maka kalimat tersebut akan kehilangan obyek, padahal kelas kata “Verba

Transitif” memerlukan obyek langsung dalam kalimat, dan akan dianggap sebagai

fragmen atau kalimat tidak lengkap.

Pengujian akan dilakukan dengan dua set data. Pada set pertama,

pengujian akan dilakukan dengan 150 kalimat yang tidak memiliki kesalahan

sama sekali. Hal ini dimaksudkan untuk menguji kemampuan aplikasi untuk

mengenali kalimat yang baik dan menguji seberapa besar kecenderungan aplikasi

untuk mendeteksi kalimat-kalimat tersebut sebagai false positive. Pada set kedua,

pengujian akan dilakukan dengan 150 kalimat yang memiliki kesalahan. Aplikasi

akan diuji untuk mendeteksi kesalahan yang terdapat dalam kalimat-kalimat

tersebut dan seberapa besar kecenderungan aplikasi mendeteksi kesalahan-

kesalahan tersebut sebagai false negative. Hasil pengujian pertama akan

dievaluasi dan digunakan sebagai dasar untuk memperbaiki aplikasi. Selanjutnya

pengujian dan evaluasi kedua akan dilakukan sebelum laporan difinalisasi.

4.2. Data

Data yang akan digunakan adalah kalimat-kalimat yang diambil dari media

berita daring dan juga dari literatur. Kalimat yang diambil berjumlah 300; 150

kalimat tanpa kesalahan dan 150 kalimat dengan kesalahan.

4.3. Perangkat Pengujian

Pengujian akan dilakukan menggunakan komputer desktop dengan

spesifikasi berikut:

a. Prosesor: AMD Phenom II X4 965 BE 3,4 GHZ

b. RAM: DDR3 6GB

c. Sistem Operasi: Linux Ubuntu 13.10 64-bit

10

d. Versi Python: 2.7.6

e. IDE: Geany

4.4. Kamus Kelas Kata

Kamus kelas kata yang digunakan sebagian diambil dari basis data

Kateglo (https://code.google.com/p/kateglo/). Lisensi isi Kateglo adalah CC-BY-

NC-SA. Lema-lema yang tidak dibutuhkan, seperti kata berimbuhan dan kata-kata

tidak baku, seperti ragam percakapan dan ragam daerah, akan dibuang, dan kata-

kata dasar yang belum ada atau belum lengkap kelas katanya akan ditambahkan.

4.5. Rujukan Tata Bahasa

Rujukan tata bahasa Indonesia yang digunakan dalam penelitian ini

diambil dari tiga sumber, yaitu buku “Tata Bahasa Praktis Bahasa Indonesia Edisi

Revisi” yang ditulis oleh Abdul Chaer, buku “Tata Bahasa Baku Bahasa

Indonesia Edisi Pertama”, serta KBBI daring yang dapat diakses di

http://bahasa.kemdiknas.go.id/kbbi/index.php. Penulis mendapat kesulitan dalam

mencari edisi terbaru buku “Tata Bahasa Baku Bahasa Indonesia”, sehingga buku

“Tata Bahasa Praktis Bahasa Indonesia Edisi Revisi” akan digunakan untuk

aturan tata bahasa Indonesia yang lebih modern. Jika terdapat konflik aturan

dalam kedua buku tersebut, aturan dalam buku “Tata Bahasa Praktis Bahasa

Indonesia Edisi Revisi” akan digunakan. KBBI daring akan digunakan untuk

mengecek keakuratan kamus kelas kata dan untuk mengetahui kelas kata dari

lema baru yang belum ada dalam kamus kelas kata.

11

BAB V

JADWAL PENELITIAN

No KegiatanApril 2014 Mei 2014 Juni 2014 Juli 2014

M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4

1 Peninjauan Teori

2 Pengumpulan Data

3 Pengembangan Aplikasi

4 Pengujian Tahap I

5 Evaluasi Tahap I

6 Perbaikan Aplikasi

7 Pengujian Tahap II

12

8 Evaluasi Tahap II

9 Penyempurnaan Aplikasi

10 Penyusunan Laporan

11 Finalisasi Laporan

13

Daftar Pustaka

Adriani, M. & Manurung, R., 2008, A survey of bahasa Indonesia NLP research

conducted at the University of Indonesia,

http://staf.cs.ui.ac.id/~maruli/pub/malindo08nlp.pdf, diakses 25 Maret 2014.

Amsir, F., 2012, Kesalahan Penggunaan Bahasa Indonesia dalam Surat Kabar Harian

Pagi Posmetro Padang. http://fib.unand.ac.id/jurnal/index.php/puitika/article/view/21/23,

diakses 25 Maret 2014

Asian, J., 2007, Effective Techniques for Indonesian Text Retrieval, Thesis, School of

Computer Science and Information Technology, Science, Engineering, and Technology

Portfolio of RMIT University, Melbourne.

Chaer, A., 2011, Tata Bahasa Praktis Bahasa Indonesia, Edisi Revisi, PT Rineka Cipta,

Jakarta.

Ethnologue, 2013, Indonesian, A language of Indonesia,

http://www.ethnologue.com/language/ind, diakses 25 Maret 2014.

Maryani, R., 2011, Pengembangan Rule-Based POS-Tagger System untuk Bahasa

Indonesia, Skripsi, Fakultas Matematika dan Ilmu Pengetahuan Alam UGM, Yogyakarta

Peters, T., 2004, The Zen of Python, http://legacy.python.org/dev/peps/pep-0020/, diakses

25 Maret 2014.

Salvitri, S., 1999, Analisa Struktur Kalimat Bahasa Indonesia dengan

Menggunakan Pengurai Kalimat Berbasis Linguistic String Analysis, Skripsi,

Fakultas Ilmu Komputer Universitas Indonesia, Jakarta

Tomita, M, n.d., LR Parsers for Natural Languages, http://acl.ldc.upenn.edu/P/P84/P84-

1073.pdf, diakses 25 Maret 2014.

14