pembentukan graf untuk pelabelan makna kata

Seminar Sistem Informasi Indonesia (SESINDO2010) – ITS, Surabaya 4 Desember 2010
PEMBENTUKAN GRAF UNTUK PELABELAN MAKNA KATA BERDASARKAN
SYNSET, RELASI SYNSET DAN GLOSS
Jeany Harmoejanto
Teknik Informatika, Teknologi Informasi, Institut Teknologi Sepuluh Nopember
1
Kampus ITS Sukolilo, Surabaya, 60111
Telp : (031) 5992526, 5994251-55
Teknik Informatika, Teknik Informatika, Sekolah Tinggi Teknik Surabaya
2
Ngagel jaya Tengah 73-77, Surabaya, 60001
Telp : (031) 5027920, Fax : (031) 5041509
E-mail : [email protected]
HU
U
Abstract
Word Sense disambiguation (WSD), is one of the important topics in Natural Language Processing (NLP), aims
to determine the meaning of a word, especially a word that has more than one meaning. WSD is widely used to
support such applications as machine translators, information/news extractor, question and answer engine,
opinion summary engine. In this study, shows a concept that can be applied for labeling words in an English
sentence that fits to the context of a sentence. The first step is to break sentences into words, then make a graph
based on the synset of each word, form a weighted graph based on the description of the gloss and synset
relations between words. The final step is to reconstruct the labeled word back into a sentence by selecting the
biggest weight. During the weighting process, there are stages to find the relationship between synsets using
Breath First Search algorithm to create the hidden graph. Other algorithms that being used are Lesk algorithm
and PageRank, to count the graph’s weight. Data sources required are 2 (two) types, data to perform labeling
(WordNet) and data to test the results of labeling (manual data). The main purpose of this study is to show how
the algortihms able to form weighted graph efficiently and label all words given in a sentence correcly.
Keyword : Word Sense Disambiguity, Gloss, Synset, BFS, Lesk, PageRank.
Abstrak
Word Sense Disambiguation (WSD) merupakan salah satu topik yang cukup penting dalam Natural Language
Processing (NLP), di mana bertujuan untuk menentukan makna dari suatu kata, terutama untuk kata yang
memiliki lebih dari satu arti. WSD banyak digunakan untuk mendukung aplikasi seperti mesin penterjemah,
pengektraksi informasi/berita, mesin tanya jawab, perangkuman opini. Dalam penelitian ini, dikemukakan
konsep yang diterapkan untuk pelabelan kata dalam kalimat berbahasa inggris sehingga dapat diketahui makna
kata yang paling sesuai dengan konteks kalimat yang diberikan. Langkah-langkah yang dilakukan adalah
dengan memecah kalimat menjadi kata terlebih dahulu, kemudian melakukan pembentukan graf berdasarkan
synset dari masing-masing kata, melakukan pembobotan graf berdasarkan deskripsi kata (gloss) dan relasi
synset antar kata yang ada. Langkah terakhir adalah menyusun kembali kata yang telah berlabel (ditentukan
maknanya) ke dalam bentuk kalimat dengan cara memilih makna, untuk kata tersebut, yang memiliki bobot
terkecil. Selama proses pembobotan graf tersebut terdapat tahapan untuk mencari hubungan antara synset kata
yang satu dengan kata yang lain dengan algoritma Breath First Search semakin dalam pencarian relasi
dilakukan maka semakin besar bobot yang dihasilkan, demikian pula sebaliknya. Algoritma yang digunakan
untuk menghitung bobot adalah algoritma Lesk, kedalaman proses BFS dan PageRank. Sumber data yang
diperlukan ada 2 (dua) macam yakni sumber data untuk melakukan pelabelan (wordnet) dan sumber data untuk
melakukan uji coba hasil pelabelan (data manual). Konsep yang dikemukakan belum berfokus pada peningkatan
Precision dan Recall namun lebih kepada efisiensi pembentukan dalam penentuan makna setiap kata, dengan
bantuan gloss kata dan synset pencarian.
Keyword : Word Sense Disambiguity, Gloss, Synset, BFS, Lesk, PageRank.
1. PENDAHULUAN
Word Sense Disambiguation (WSD) merupakan
salah satu topik yang penting dalam Natural
Language Processing (NLP), di mana bertujuan
untuk menentukan makna suatu kata. WSD
banyak digunakan pada aplikasi seperti mesin
0B
penterjemah, pengektraks informasi/berita, mesin
tanya jawab, perangkuman opini. Berkaitan
dengan makna dari suatu kata, apabila kita
mempelajari salah satu bahasa, maka akan kita
temukan bahwa sebuah kata dapat mempunyai
banyak makna seperti contoh dalam bahasa
Seminar Sistem Informasi Indonesia (SESINDO2010) – ITS, Surabaya 4 Desember 2010
inggris, kata call dapat berarti command to come,
dapat juga berarti a telephone connection,
bahkan dalam online wordnet 3.0 ditemukan ±30
arti call, di sinilah peranan WSD untuk memilih
dari 30 arti call, tentunya setelah kata tersebut
dimasukkan dalam kalimat.
Berbagai pendekatan WSD dikembangkan, salah
satu metode WSD yakni dengan pendekatan graf,
seperti yang dilakukan pada penelitian ini.
Pelabelan makna kata dalam suatu kalimat
dengan menggunakan pendekatan berbasis graf,
yang dilakukan dalam penelitian ini, mengambil
ide dari hasil penelitian yang pernah dilakukan
oleh Rada Mihalcea (2005) dan Roberto Navigli
bersama dengan Mirella Lapata (2010). Di mana
Mihalcea melakukan penghitungan graf berbobot
dengan bantuan gloss/deskripsi kata sedangkan
Navigli menggunakan relasi synset seperti
hipernim, hyponim, antonim.
2. KAJIAN PUSTAKA
Sebelum membahas mengenai konsep pelabelan
kata, bab ini akan memaparkan terlebih dahulu
mengenai kata dan kalimat, Word Sense
Disambuguity dan Graf berbobot (Weighted
Graph).
1B
2.1 Kata dan Kalimat
Secara sederhana hubungan antara kata dan
kalimat dalam bahasa Inggris dapat dijabarkan
sebagai berikut, yakni sebuah kata dapat berupa
kata dasar (contoh: the, plane, took, off), kata
turunan (contoh: took merupakan bentukan dari
kata take) dan frase (contoh: took off), sedangkan
kalimat adalah kumpulan dari kata yang mengisi
jabatan minimal subjek (S) dan predikat (P)
(contoh: the plane (S) took off (P)).
Kata dasar merupakan bentuk terkecil dari
tatanan bahasa, istilah lain yang digunakan yakni
akar kata/kata asal. Sebuah kata dasar dapat
dikategorikan dalam jenis kata (Part of Speech)
antara lain (Haspelmath, 2001):
1. Kata benda (Noun), contoh: book, storm
2. Kata kerja (Verb), contoh: push, sit, know
3. Kata sifat (Adjective), contoh: good, blue,
Polish
4. Kata keterangan (Adverb), contoh: quickly,
fortunately
5. Kata ganti (Pronoun), contoh: you, this,
nobody
6. Kata depan (Preposition/adposition),
contoh: on, for, because of
7. Kata penghubung (Conjunction), contoh:
and, if, while
8. Kata bilangan (Numeral), contoh: one,
twice, third
9. Kata partikel (Article), contoh: the, a
10. Kata seru (Interjection), contoh: ouch, tsk
Di mana sebuah kata dapat masuk pada lebih dari
1 (satu) jenis kata, contoh: bells dapat masuk
kategori kata benda, yang berarti lonceng dan
kata kerja yang berarti membunyikan. Jenis kata
biasanya ditentukan melalui konteks kalimat di
mana kata itu digunakan.
Kata turunan dalam bahasa inggris merupakan
kata dasar yang mendapat imbuhan (affix)
(Brown, 1927), seperti:
- penambahan <kata> + -ing, contoh: take + ing = taking
- penambahan <kata> + -ed, contoh: bake + -ed
= baked
- penambahan kata + -s / -es , dalam present
tense, contoh: take Æ takes
- penambahan im- + <kata>, contoh: im- +
possible = impossible
- perubahan bentuk dari verb 1 Æ verb 2,
contoh: take Æ took
- perubahan bentuk saat ada penambahan –ed,
contoh: carry + -ed Æ carried
UmumnyaBiasanya, kata turunan yang terbentuk
tidak mengubah makna asal dari kata, karena
kata turunan tersebut terbentuk oleh adanya
grammar
Kalimat merupakan kumpulan kata yang
minimal terdiri dari subjek dan predikat, di mana
subjek biasanya berupa klausa. Jenis-jenis
kalimat dapat dijabarkan sebagai berikut: (Frank,
1986)
1. Kalimat sederhana (Simple Sentence)
Contoh: He lives in New York
Bentuk kalimat sederhana ada 4 (empat):
- Pernyataan, contoh: He is a student
- Pertanyaan, contoh: How old are you?
- Perintah, contoh: Please close the door
- Seruah, contoh: What a terrible temper
she has!
2. Kalimat majemuk setara (Compound
Sentence)
Contoh: The weather was very bad; all
classes were canceled
3. Kalimat majemuk bertingkat (Complex
Sentence)
Contoh: Children were told to go home
because the classes were canceled
4. Kalimat
majemuk
setara
bertingkat
(Compound-Complex Sentence)
Contoh: The weather was very bad; all
classes were canceled and Children were told
to go home
2.1 Word Sense Disambiguation
Word Sense Disambiguation (WSD) merupakan
salah satu topik dalam Natural Language
Processing (NLP) yang terdiri dari beberapa
proses untuk mengidentifikasi sense/makna/arti
Seminar Sistem Informasi Indonesia (SESINDO2010) – ITS, Surabaya 4 Desember 2010
yang tepat untuk sebuah kata dalam suatu
kalimat. WSD diperlukan dalam hal ini karena
terdapat banyak kata yang memiliki lebih dari
satu arti. Penentuan arti yang tepat dalam sebuah
kata biasanya berkaitan dengan arti kata tersebut
dalam sebuah kalimat. Terdapat 4 metode dalam
pendekatan WSD, (Allen, 1994), yaitu:
1. Metode berbasis pengetahuan dan kamus.
Metode yang nantinya akan digunakan dalam
penelitian sistem pelabelan ini.
2. Metode supervised
Metode yang berasumsi bahwa sebuah
konteks dapat menyediakan cukup bahan atau
data bagi dirinya untuk melakukan proses
WSD. Metode ini sangat bergantung pada
algoritma machine learning yang diterapkan
karena sifatnya yang mengolah data-data
yang sudah ada
3. Metode semi-supervised atau minimallysupervised
Metode semi-supervised dipakai karena
kurangnya training data yang ada saat ini
sehingga data yang telah diberi label dan
belum diberi label dapat dipakai.
4. Metode unsupervised
Metode ini mengambil asumsi bahwa sense
yang sama berlaku untuk konteks atau topik
yang sama juga. Oleh karena itu, sense dapat
diambil menggunakan clustering pada
kemunculan
kata
dengan
memakai
pengukuran kesamaan konteks atau topik.
2. Untuk setiap synset dari K1, dilakukan
penelusuran terhadap relasi synset K1 sampai
menemukan K2
3. Menghitung kedalaman relasi antara K1 dan
K2, ang selanjutnya disebut bobot DFS = 1 /
jumlah kedalaman relasi K1-K2
Gambar 1. Hasil DFS untuk K1 (Drink) dan K2 (Milk)
(Navigli et.al., 2010)
2.3.3 Algoritma PageRank
PageRank merupakan sebuah algoritma link
analysis, yang dipakai oleh mesin pencari
Google di Internet dengan memberikan sebuah
bobot nilai pada tiap elemen dari dokumen yang
memiliki set hyperlink, seperti World Wide Web
(Altman, 2005). Tujuan algoritma ini adalah
mengukur tingkat pentingnya suatu dokumen
dengan set hyperlink tersebut. Bobot numerik
yang diberikan pada sebuah elemen E dapat
disebut juga sebagai PageRank dari E dan dapat
dianotasikan dengan PR(E) (Mihalcea, 2004)
Penghitungan PageRank tersebut menggunakan
bobot Lesk dan bobot DFS.
2.3 Pembentukan Graf Berbobot (Weighted Graph)
Algoritma yang sangat berkaitan dalam
pembentukan graf berbobot pada penelitian ini,
yaitu Algoritma Lesk, Breath First Search dan
PageRank.
2.3.1 Algoritma Lesk
Algoritma ini digunakan untuk mnghitung bobot
verteks yang menghubungkan edge 1 (K1) dan
edge 2 (K2), di mana memiliki langkah-langkah
sebagai berikut: (Mihalchea, 2005)
1. Menentukan pasangan kata yang saling
berdekatan (K1 dan K2)
2. Mengambil gloss/deskripsi dari K1 dan K2
tersebut dari sebuah sumber
3. Menghitung jumlah kata sama yang
terkandung di dalam gloss/deskripsi K1 dan
K2 yang selanjutnya disebut dengan istilah
bobot Lesk. Common word tidak ikut
dihitung.
4. Apabila bernilai 0, maka verteks untuk edge
1 dan edge 2 tidak perlu digambar
2.3.2 Algoritma Breath First Search
Pada algortima BFS dilakukan pencarian derajat
relasi antara K1 dan K2, langkah-langkah yang
dilakukan (Navigli et al., 2010) yakni:
1. Menentukan pasangan kata yang saling
berdekatan (K1 dan K2)
3. PEMODELAN SISTEM PELABELAN
1B
3.1 Input dan Output
7B
Salah satu tujuan dari sistem pelabelan ini yakni
melakukan pelabelan kata dalam kalimat
berbahasa inggris sehingga dapat diketahui
makna kata yang sesuai dengan konteks kalimat
yang diberikan. Input sistem berupa sebuah
kalimat dalam bahasa inggris, contoh: The school
bells sound so loud on my ears. Sedangkan
Output yang dihasilkan yakni kalimat yang tiap
katanya diberi pelabelan makna, contoh: The
school#1 bells#3 sound#3 so loud#1 on my
ears#4.
Apabila mencari kata bells pada wordnet, akan
ditemukan 3 (tiga) macam arti antara lain
(1). a hollow device made of metal that makes
a ringing sound when struck,
(2). a push button at an outer door that gives
a ringing or buzzingsignal when pushed,
(3). the sound of a bell
Maka arti label #3 pada kata bells, menunjukkan
bahwa arti kata tersebut dalam kalimat adalah
“the sound of a bell”. Pada contoh output,
terdapat kata yang tidak dilabelkan, seperti the,
so, on, my, hal tersebut dikarenakan pelabelan
hanya akan dilakukan pada kata dalam kategori
noun, verb, adverb dan adjective.
Seminar Sistem Informasi Indonesia (SESINDO2010) – ITS, Surabaya 4 Desember 2010
3.2 Arsitektur Sistem
8B
Untuk
memudahkan
pemaparan
sistem
pelabelan, gambaran arsitektur sistem dapat
dilihat pada Gambar 2. Seperti terlihat pada
Gambar 2, sistem pelabelan dibagi menjadi 4
(empat) proses besar yakni (P1) pemecahan
kalimat menjadi kata, dalam topik NLP sering
dikenal dengan istilah Tokenization, kemudian
dilanjutkan dengan (P2) proses pembentukan
Graf akan menghasilkan verteks dari Graf
(Unconnected Graph) yang selanjutnya masingmasing verteks akan dihubungkan dan diberi
bobot pada (P3) proses pemberian bobot Graf.
Langkah terakhir adalah (P4) pembentukan
kalimat berlabel berdasarkan bobot pada graf
yang dihasilkan dari proses P3.
4. IMPLEMENTASI SISTEM PELABELAN
4.1 Pemecahan Kalimat menjadi Kata
Input yang diperlukan adalah kalimat dalam
bahasa inggris. Kalimat tersebut dapat
mengandung kata dasar (contoh: take), kata
bentukan (contoh: taking) Proses pemecahan
kalimat menjadi kata, sering dikenal sebagai
tokenization dan dalam penelitian ini bertugas:
1. Menghilangkan common word (contoh: of,
from, to).
2. Menjadikan kata dasar untuk kata bentukan
yang ditemukan
Output dari proses ini adalah kata dasar. Sebagai
contoh, the school bells sound so loud in my
ears, maka output yang dihasilkan school, bells,
sound, loud, ears.
4.2 Pembentukan Graf
Gambar 2. Arsitektur Sistem Pelabelan Makna Kat
3.3 Sumber Data
Input yang telah dikemukakan pada subbab 3.1,
merupakan kategori input utama yang diberikan
oleh user dari sistem pelabelan, namun agar
pelabelan tersebut dapat menghasilkan output
yang diharapkan, diperlukan input tambahan.
Input tambahan tersebut yang selanjutnya akan
disebutkan sebagai sumber data. Sistem
pelabelan melibatkan kata, kalimat dan makna
kata, yang tidak lepas dari penggunaan bahasa.
Oleh karena itu sumber data yang sangat penting
adalah sebuah kamus bahasa. Kamus bahasa
yang akan digunakan sebagai dasar untuk
melakukan pelabelan adalah wordnet. Pada
proses apa penggunaan wordnet diperlukan,
dapat dilihat pada Gambar 2.
Input dari proses pembentukan graf adalah
kumpulan kata dasar. Langkah yang dilakukan
oleh bagian ini adalah:
1. Mencari semua synset yang berisi
gloss/deskripsi dari kata yang ada
Contoh:
K1. school, mempunyai 5 macam sysnset dan
deskripsi, yakni:
S11 : (an educational institution) "the school
was founded in 1900"
S12 : schoolhouse (a building where young
people receive education) "the school was
built in 1932"; "he walked to school every
morning"
S13 : (the process of being formally educated at
a school) "what will you do when you
finish school?"
S14 : (a body of creative artists or writers or
thinkers linked by a similar style or by
similar teachers) "the Venetian school of
painting"
S15 : (a large group of fish) "a school of small
glittering fish swam by"
K2. bell
S21: (a hollow device made of metal that
makes a ringing sound when struck)
S22: (a push button at an outer door that gives
a ringing or buzzing signal when pushed)
S23: (the sound of a bell being struck) "saved
by the bell"; "she heard the distant toll of
church bells"
S24: ((nautical) each of the eight half-hour
units of nautical time signaled by strokes
of a ship's bell; eight bells signals 4:00,
8:00, or 12:00 o'clock, either a.m. or
p.m.)
2. Membentuk verteks dari kata dan synset yang
ditemukan
Seminar Sistem Informasi Indonesia (SESINDO2010) – ITS, Surabaya 4 Desember 2010
Pada contoh kalimat the school bells sound so
loud in my ears, akan terbentuk sebanyak 16
verteks untuk kata school bell yang terdiri dari:
- 6 verteks untuk mewakili kata school (1 verteks
kata school & 5 verteks untuk masing-masing
gloss dari kata school)
- 5 verteks untuk mewakili kata bell (verteks
kata bell & 4 verteks untuk masing-masing
gloss dari kata bell)
Output dari proses ini berupa edge yang
mewakili masing-masing synset kata dan
kumpulan gloss dari tiap synset kata.
tentu saja ada paramater untuk menentukan
kedalaman subset yang hendak diakses untuk
membatasi pencarian. Lebih jelasnya dapat
dilihat pada Gambar 4. Pembobotan dihitung
dengan bobot Lesk, bobot BFS dan bobot
PageRank. Graf subset tersebut untuk
selanjutnya akan disebut sebagai hidden graph.
Gambar 4. Pencarian Hidden Graph antara S11 & K2, untuk
menentukan bobot dari edge S11 Æ K2
Gambar 3. Kombinasi Arsitektur edge untuk gloss S11,
dengan jarak maksimum 2
4.3 Pembobotan Graf
Input dari proses pembobotan graf adalah verteks
yang mewakili masing-masing kata dan synset
kata yang berisi gloss dari tiap synset. Tujuan
dari pembobotan graf adalah mencari bobot dari
kata dan synset kata. Langkah yang dilakukan
proses pembobotan graf adalah:
1. Menentukan semua kombinasi edge yang
menghubungkan 2 (dua) verteks.
Verteks yang dimaksud adalah:
- Verteks 1. Verteks dari untuk kata/synset
yang hendak dicari bobotnya
- Verteks 2. Verteks dari kata/synset yang
terletak setelah verteks 1.
Untuk membatasi jumlah kombinasi edge,
terdapat sebuah parameter “jarak maksimum”, di
mana untuk Gambar 3 ditentukan bernilai 2,
sehingga kombinasi untuk S11 adalah S11-K2
dan S11-K3, sedangkan kombinasi untuk S12
adalah S12-K2 dan S12-K3, kombinasi untuk
S21 adalah S21-K3. Apabila jarak maksimum
yang ditentukan bernilai 1 maka cukup
hubungkan S11 dengan bagian A yaitu S11-K2
saja.
2. Menentukan bobot untuk masing-masing
kombinasi edge
Contoh pada Gambar 3 untuk mencari bobot
edge S11 Æ
K2 (e1), dilakukan dengan
menentukan graf subset (hiponim, hipernim),
beserta gloss untuk subsetnya, dari S11 sampai
ditemukan terhubung dengan K2, dalam hal ini
3. Menentukan bobot verteks
Pada Gambar 3, bobot S11 diperoleh dari nilai
maksimum dari (bobot BFS e1, bobot BFS e2,
bobot Lesk S11-K2, bobot Lesk S11-K3,
Pagerank(S11)). Output dari proses ini berupa
graf yang masing-masing edge synsetnya
memiliki bobot. Hal yang perlu diperhatikan
untuk mengurangi iterasi pencarian bobot yakni:
1. bobot edge yang terlalu kecil, (sesuai dengan
parameter kedalaman subset) akan diabaikan,
karena dianggap tidak ditemukan hubungan
katanya.
2. Apabila telah ditemukan bobot dengan nilai
maksimal 1, akan menghentikan iterasi
selanjutnya,
karena
dianggap
sudah
ditemukan langsung kata yang memiliki
hubungan dengan kata yang dicari pada
kedalaman pertama.
.
5. KESIMPULAN
Melalui implementasi tersebut, dapat diambil
kesimpulan yakni,
- penghitungan bobot Lesk tidak terlalu
signifikan karena hanya mencari kata yang
sama dalam gloss oleh karena itu dibantu
dengan bobot BFS.
- Pencarian BFS yang disertai nilai threshold
dilakukan dengan tujuan memperlebar
kemungkinan terlebih dahulu, karena jika
ditelusuri dengan DFS dapat menimbulkan
infinite loop.
- Berdasarkan percobaan, nilai threshod yang
cukup baik adalah 4, karena rata-rata relasi
ditemukan pada kedalaman 3-4
- Precision dan Recall yang dihasilkan dengan
ujicoba 50 contoh kalimat secara manual,
cukup baik yakni 60-70%
Pembahasan mengenai pelabelan kata masih
memiliki cakupan yang cukup luas untuk
pengembangan lebih lanjut. Saran untuk
pengembangan berikutnya adalah:
Seminar Sistem Informasi Indonesia (SESINDO2010) – ITS, Surabaya 4 Desember 2010
-
-
Penanganan adanya frase kata, contoh kata
take off, saat dipisahkan take dengan off, kata
take akan mempunyai makna yang berbeda
dengan frase take off
Penanganan jenis kata (PoS Tagging), dapat
membantu mengurangi jumlah verteks graf
sehingga iterasi pencarian bobot dapat
dikurangi lagi.
7. PUSTAKA
Allen, James, (1994), Natural Language
Understanding, The Benjamin/Cumming
Publishing Company, Inc, Redwood City.
Altman, Alon; Moshe Tennenholtz (2005).
"Ranking Systems: The PageRank
Axioms" (PDF). Proceedings of the 6th
ACM conference on Electronic commerce
(EC-05). Vancouver, BC. http://stanford
.edu/~epsalon/pagerank.pdf.
Brown, Roland W., (1927), “Materials for wordstudy: A manual of roots, prefixes,
suffixes and derivatives in the English
language”, New Haven, CT: Van Dyck &
Co
Frank, Marcella, (1986), “Modern English
Exercises for Non-Native Speakers Part
II: Sentences abd Complex Structures”,
Prentice Hall.
Haspelmath, Martin, (2001), "Word Classes and
Parts
of
Speech”,
International
Encyclopedia of the Social and
Behavioral
Sciences,
Amsterdam:
Pergamon, 16538-16545.
Mihalcea, R, Tarau, P., dan Figa, E., (2004),
“PageRank on semantic networks, with
application
to
word
sense
disambiguation”. In Proceedings of the
20st International Conference on
Computational Linguistics.
Mihalcea, R. (2005), “Unsupervised LargeVocabulary Word Sense Disambiguation
with Graph-based Algorithms for
Sequence Data Labeling”, Proceedings of
Human Language Technology Conference
and Conference on Empirical Methods in
Natural
Language
Processing
(HLT/EMNLP). Vancouver,. halaman
411–418.
Navigli, Roberto dan Lapata, Mirella, (2010),
“An Experimental Study of Graph
Connectivity for Unsupervised Word
Sense
Disambiguation”,
IEEE
Transactions on Pattern Analysis and
Machine Intelligence, Vol 32, No 4,
halaman 678-692.
6B
RIWAYAT PENULIS
Jeany Harmoejanto lahir di kota Surabaya pada
17 Januari 1983. Penulis menamatkan
pendidikan S1 di Sekolah Tinggi Teknik
Surabaya dalam bidang Teknik Informatika pada
tahun 2005. Saat ini sedang menyelesaikan
pendidikan S2 di Institut Teknologi Sepuluh
Nopember dalam bidang Teknik Informatika dan
bekerja sebagai Kepala BAA sekaligus pengajar
di Sekolah Tinggi Teknik Surabaya.