pengertian komputer dan linguistik linguistik berkaitan berkaitan Pengolahan bahasa alami (NLP) adalah bidang ilmu komputer dan dengan interaksi antara komputer dan manusia (alam) bahasa. Seluler generasi bahasa sistem komputer yang mengubah informasi dari database ke dalam bahasa manusia yang dapat dibaca. Alami pemahaman bahasa sistem sampel mengkonversi bahasa manusia menjadi lebih formal seperti mengurai representasi pohon atau logika orde pertama struktur struktur yang lebih mudah untuk komputer program komputer program untuk memanipulasi. Banyak masalah dalam NLP berlaku untuk generasi dan pemahaman misalnya, sebuah komputer harus dapat model morfologi (struktur kata-kata) untuk memahami sebuah kalimat Inggris, dan model morfologi juga diperlukan untuk memproduksi tata bahasa inggris benar kalimat. NLP telah signifikan tumpang tindih dengan bidang komputasi linguistik, dan sering dianggap sebagai sub-bidang kecerdasan buatan. Istilah bahasa alami yang digunakan untuk membedakan bahasa manusia (seperti Spanyol, Swahili atau Swedia) dari formal atau bahasa komputer (seperti C + +, Java atau LISP). Walaupun NLP dapat mencakup teks dan pidato, bekerja di pengolahan di pengolahan pidato telah berkembang menjadi sebuah bidang yang terpisah.
Pemrosesan Pemrosesan Bahasa Alami •
Menurut Rich [2], pemrosesan bahasa alami dapat dibagi atas beberapa proses: Morphological Morphological analysis analysis, dima dimana na kata kata seca secara ra indi indivi vidu du dian dianal alis isis is ke dalam dalam 1. komponen-komponennya dan yang bukan kata (seperti tanda baca) dipisahkan dari kata Syntactic analysis analysis, urutan linier dari kata ditransformasikan ke dalam struktur 2. Syntactic yang yang menun menunju jukk kkan an baga bagaim imana ana kata kata sali saling ng berh berhub ubung ungan an.. Urut Urutan an kata kata yang yang melanggar aturan bahasa dalam pengkombinasian kata, akan ditolak 3. Semantic Semantic analysis analysis, dibuat dibuat mappin mapping g antara antara strukt struktur ur sintak sintaksis sis & objek objek dalam dalam domain domain kerja. kerja. Strukt Struktur ur dimana dimana tidak tidak ada mappin mapping g yang yang memung memungkin kinkan, kan, akan ditolak. 4. Discourse integration, integration, dimana arti dari kalimat secara individu bergantung pada kalima kalimat-k t-kali alimat mat yang yang mendah mendahulu uluii & mungki mungkin n dapat dapat mempen mempengar garuhi uhi arti arti dari dari kalimat-kalimat yang mengikutinya Pragmat Pragmatic ic analysi analysiss, dima 5. dimana na stru strukt ktur ur yang yang mere merepr pres esent entas asik ikan an apa apa yang yang diucapkan, diintepretasikan kembali untuk menentukan apa arti sebenarnya.
Proses Sintaksis Proses Proses sintak sintaksis sis [2] atau atau disebu disebutt juga juga parsing , merupa merupakan kan langka langkah h dimana dimana kalima kalimatt masukan secara flat diubah ke dalam struktur hirarkis yang berhubungan dengan unit-unit arti dalam kalimat •
•
Proses sintaksis sangat berperan dalam pemahaman bahasa alami dikarenakan:
Proses semantic harus beroperasi pada pilihan-pilihan kalimat. Jika tidak ada tahap parsing sintaksis maka sistem semantic harus memutuskan atas pilihannya sendiri. Jika parsing dilakukan, hal ini akan membatasi pilihan-pilihan dari semantic - Tidak selalu dimungkinkan untuk mengekstrak arti kalimat tanpa menggunakan fakta gramatikal • Semua sistem menggunakan dua komponen: 1. Representasi deklaratif, disebut grammar, fakta sintaksis tentang bahasa 2. Prosedur, disebut parser , dimana membandingkan grammar dengan kalimatkalimat masukan untuk membentuk struktur yang dianalisis. -
Grammar Grammar direpresentasikan sebagai sekumpulan aturan-aturan produksi, seperti pada gambar 1. Grammar merupakan suatu aturan yang menentukan apakah suatu kumpulan kata dapat diterima sebagai kalimat oleh bahasa tsb. Sebuah grammar G dapat dibentuk dari 4 tuple yaitu : symbol non terminal, symbol terminal, symbol awal dan aturan penulisan atau rules. Definisinya adalah: •
G = (vn, vt, s, p)
Sebagai contoh dapat kita lihat dari grammar G sederhana berikut ini: DictJenis = {Kata_Benda, Kata_Kerja, Frasa_Benda, Frasa_kerja, Keterangan} DictKata = {Orang, Makan, telur, Ayam, Terbang, Tinggi} Dengan aturan : S
Frasa_Benda Frasa_Kerja
Frasa_Benda
Kata_Benda Kata_Benda
Frasa_Kerja
Kata_Kerja Keterangan
Kata_benda
{Orang, Telur, Ayam}
Kata_Kerja
{Makan, Terbang}
Keterangan {Tinggi} Dari grammar G dapat dibentuk kalimat : Orang Makan Ayam Ayam Terbang Tinggi Orang Terbang Tinggi Ayam Makan Orang Dari grammar kita dapat mempelajari bahasa dari segi struktur dan bukan dari segi makna bahasa itu sendiri. • Aturan pertama, ‘Sebuah kalimat terdiri atas kata benda (NP) diikuti kata kerja (VP)’.
• I menyatakan “atau/or’, ε
menyatakan string kosong • Simbol-simbol yang diperluas oleh aturan-aturan disebut nonterminal symbols, sedangkan simbol-simbol yang berhubungan langsung dengan string yang ditemukan pada kalimat masukan disebut terminal symbols. •
Gambar 1. Grammar Untuk Bahasa Inggris Parsing • Suatu proses menganalisa suatu kumpulan kata dengan memisahkan kata tsb dan menentukan struktur sintaksis dari tiap kata tsb. Gramatika yang dipakai juga sangat berkaitan dengan proses parsing apa yang digunakan. • Bottom-Up Parsing gramatika yang dipakai akan lebih banyak bercabang ke arah simbol non-terminal. Hal lain yang juga berkaitan erat dengan proses parsing adalah kamus atau leksikon yang digunakan. Dalam leksikon disimpan daftar kata yang dapat dikenali sebagai symbol terminal dalam grammar dan informasi yang diperlukan untuk tiap kata tersebut untuk proses parsing yang bersangkutan. • Pendekatan dalam mengenali struktur suatu kalimat, proses parsing dapat dibagi menjadi dua bagian besar yaitu Top Down parsing dan Bottom Up parsing . Top Down parser memulai pemeriksaan dari simbol awal s dan mencoba untuk mencari bentuk simbol terminal berikutnya yang sesuai dengan jenis kata dari kalimat masukan. Cara sebaliknya diterapkan untuk Bottom Up parser yaitu mencari dari simbol-simbol terminal menuju ke arah pembentukan simbol awal s.
Gambar 2. Pohon Analisis Untuk Sebuah Kalimat
Automated Transition Networks (ATN) Automated Transition Network (ATN) merupakan prosedur top-down parsing dimana bermacam-macam pengetahuan digabungkan ke sistem analisis sehingga dapat beroperasi lebih efisien. •
ATN (seperti pada gambar 3) menyerupai finite-state machine dimana klas label digabungkan pada garis berarah yang mendefinisikan transisi antara suatu keadaan. •
• Garis berarah ini dapat diberi label (dalam bahasa Inggris) dengan -
Kata-kata spesifik, seperti ‘in’
-
Kategori-kategori kata, seperti ‘noun’
-
Didorong ke jaringan lain untuk mengenali komponen lain pada suatu kalimat, seperti jaringan untuk mengenali prepositional phrase (PP) maka pada garis berarah ditanyakan noun phrase (NP)
-
Prosedur yang menjalankan tes pada input saat itu dan pada komponen kalimat yang telah diidentifikan
-
Prosedur-prosedur yang membangun struktur yang akan membentuk bagian akhir dari analisis
Gambar 3. : Sebuah Jaringan ATN untuk Fragmen Bahasa Inggris
Tugas dan keterbatasan Secara teori, pengolahan bahasa alami adalah metode yang sangat menarik dari interaksi manusia-komputer. Sistem awal seperti SHRDLU, bekerja di Pembatasan “blok dunia” dengan kosakata terbatas, bekerja sangat baik, peneliti terkemuka yang berlebihan optimisme, yang segera hilang ketika sistem yang diperluas untuk lebih realistis dengan situasi dunia nyata ambiguitas dan kompleksitas. Pemahaman bahasa alami kadang-kadang disebut sebagai AI-menyelesaikan masalah, karena pengakuan bahasa alami tampaknya memerlukan pengetahuan yang luas tentang dunia luar dan
kemampuan untuk memanipulasi itu. Yang dimaksud dengan “pemahaman” adalah salah satu masalah utama dalam pengolahan bahasa alami.
Subproblems Pidato segmentasi Dalam kebanyakan bahasa lisan, suara-suara yang mewakili huruf berturut-turut berbaur ke dalam satu sama lain, sehingga konversi sinyal analog diskrit karakter dapat menjadi proses yang sangat sulit. uga, dalam pidato alam ada hampir tidak ada jeda antara kata-kata yang berurutan; lokasi batas-batas itu biasanya harus memperhitungkan tata bahasa dan semantik kendala, serta konteks. Teks segmentasi Beberapa ditulis bahasa-bahasa seperti Cina, Jepang dan Thailand tidak memiliki batas batas kata tunggal, jadi teks yang signifikan parsing biasanya memerlukan identifikasi batas batas kata, yang seringkali merupakan tugas non-sepele. Bagian-of-speech tagging
Arti kata disambiguasi Banyak kata memiliki lebih dari satu arti, kita harus memilih arti yang yang paling masuk akal dalam konteks. Ambiguitas sintaksis Para tata bahasa untuk bahasa alami adalah ambigu, yaitu sering ada beberapa kemungkinan pohon parsing untuk suatu kalimat. Memilih salah satu yang paling sesuai biasanya membutuhkan semantik dan informasi kontekstual. Komponen masalah tertentu ambiguitas sintaksis meliputi batas kalimat disambiguasi. Tidak sempurna atau tidak teratur masukan Asing atau regional hambatan aksen dan vokal dalam berbicara; mengetik atau kesalahan tata bahasa, OCR kesalahan dalam teks. Pidato tindakan dan rencana Sebuah kalimat sering dapat dianggap sebagai tindakan oleh pembicara. Struktur kalimat saja mungkin tidak mengandung informasi yang cukup untuk menetapkan tindakan ini. Sebagai contoh, pertanyaan sebenarnya adalah pembicara meminta semacam respons dari pendengar. Tanggapan yang dikehendaki dapat verbal, fisik, atau beberapa kombinasi. Sebagai contoh, “Dapatkah Anda lulus kelas?” adalah permintaan sederhana ya-atau-tidak ada jawaban, sementara “Bisakah kau minta garam?” adalah meminta tindakan fisik harus dilakukan. Hal ini tidak sesuai untuk menanggapi dengan “Ya, aku bisa lulus garam,” tanpa disertai tindakan
(walaupun “Tidak” atau “Aku tidak dapat mencapai garam” akan menjelaskan kurangnya tindakan).
Statistik NLP Statistik-pengolahan bahasa alami menggunakan stokastik, probabilistik dan statistik metode untuk menyelesaikan beberapa kesulitan yang dibahas di atas, terutama yang muncul karena lagi kalimat-kalimat yang sangat ambigu ketika diproses dengan tata bahasa yang realistis, menghasilkan ribuan atau jutaan kemungkinan analisis. Metode untuk disambiguasi sering melibatkan penggunaan korporasi dan Markov Model. NLP statistik mencakup semua pendekatan kuantitatif otomatis pemrosesan bahasa, termasuk model probabilitas, teori informasi, dan aljabar linear . Teknologi untuk statistik NLP datang terutama dari machine learning dan data mining, keduanya bidang kecerdasan buatan yang melibatkan belajar dari data.
Mayor tugas di NLP • • • • •
•
•
• • • • • • •
Automatic summarization Membaca bahasa asing bantuan Menulis bahasa asing bantuan Informasi ekstraksi Pengambilan informasi (IR) – IR berkaitan dengan penyimpanan, pencarian dan pengambilan informasi. Ini adalah bidang yang terpisah dalam ilmu komputer (lebih dekat ke database), tapi IR bergantung pada beberapa metode NLP (misalnya, berasal). Beberapa penelitian dan aplikasi saat ini berusaha untuk menjembatani kesenjangan antara IR dan NLP. Terjemahan mesin – Secara otomatis menerjemahkan dari satu bahasa ke bahasa lain manusia. Entitas bernama pengakuan (NER) – Dengan aliran teks, menentukan item mana dalam teks peta untuk nama-nama yang tepat, seperti orang atau tempat. Walaupun dalam bahasa Inggris, bernama entitas dikapitalisasi ditandai dengan kata-kata, banyak bahasa lainnya tidak menggunakan huruf besar untuk membedakan bernama entitas. Bahasa alami generasi Bahasa alamiah pencarian Pemahaman bahasa alami Optical character recognition anaphora resolusi Permintaan perluasan Pertanyaan menjawab – Diketahui sebuah pertanyaan bahasa manusia, tugas menghasilkan jawaban bahasa manusia. Pertanyaan mungkin tertutup (seperti “Apa ibu kota Kanada?”) Atau terbuka (seperti “Apa arti hidup?”).
•
• • • • •
Speech recognition – Mengingat klip suara dari seseorang atau orang berbicara, tugas menghasilkan dikte teks dari pembicara (s). (The opposite of text to speech.) (Kebalikan dari text to speech.) Dituturkan sistem dialog Berasal Teks penyederhanaan Text-to-speech Text-pemeriksaan
Beton masalah Beberapa contoh dari masalah yang dihadapi oleh alam sistem pemahaman bahasa: •
•
Kalimat “Kami berikan pisang monyet karena mereka lapar” dan “Kami memberikan pisang monyet karena mereka over-matang” memiliki permukaan yang sama struktur gramatikal. Namun, kata ganti mereka mengacu pada monyet dalam satu kalimat dan pisang yang lain, dan tidak mungkin untuk membedakan mana tanpa pengetahuan tentang sifat-sifat monyet dan pisang. AI awal Tujuannya adalah untuk memberikan komputer kemampuan untuk mengurai kalimat bahasa alami ke dalam jenis kalimat diagram bahwa anak-anak SD belajar. Salah satu sistem seperti ini, yang dikembangkan pada tahun 1963 oleh Susumu Kuno dari Harvard, adalah menarik dalam penyataan kedalaman ambiguitas dalam bahasa Inggris. Kuno bertanya kepada terkomputerisasi parser apa kalimat “Sisa lalat seperti anak panah” berarti. Dalam apa yang telah menjadi respons terkenal komputer menjawab bahwa hal itu tidak cukup yakin. Mungkin berarti;
o o
o
o
o
o
o
The Common simile: waktu bergerak dengan cepat seperti anak panah tidak; mengukur kecepatan lalat seperti Anda akan mengukur bahwa anak panah ( ‘waktu’ menjadi verba imperatif dan ‘lalat’ menjadi serangga) – yaitu (Anda harus) waktu lalat seperti yang Anda lakukan (waktu) panah; mengukur kecepatan lalat seperti anak panah akan – yaitu Sisa lalat dengan cara yang sama bahwa sebuah panah itu akan (waktu itu); mengukur kecepatan lalat yang seperti anak panah – yaitu Sisa mereka lalat yang seperti anak panah; semua jenis serangga terbang, “waktu-lalat,” kolektif menikmati satu panah (bandingkan lalat Buah seperti pisang); masing-masing jenis serangga terbang, “waktu-lalat,” menikmati secara individu yang berbeda panah (perbandingan serupa berlaku); Sebuah benda konkret, misalnya majalah, Sisa, perjalanan melalui udara dalam panah-cara yang sama.
Terutama menantang Inggris dalam hal ini karena mempunyai sedikit infleksional morfologi untuk membedakan antara bagian-bagian pidato.
•
•
Inggris dan beberapa bahasa lainnya tidak menentukan kata yang berlaku untuk kata sifat. Sebagai contoh, dalam string “gadis kecil yang cantik ’sekolah”. Apakah sekolah tampak sedikit? o Apakah para gadis tampak sedikit? o Apakah para gadis tampak cantik? o Apakah sekolah terlihat cantik? o Apakah sekolah tampak cantik sedikit? ( “cukup” di sini berarti “cukup” seperti o dalam frase “cukup jelek”) Apakah para gadis cantik tampak sedikit? (perbandingan yang sama berlaku) o Kita akan sering menyiratkan informasi tambahan dalam bahasa lisan dengan cara kita menempatkan penekanan pada kata-kata. Kalimat “Aku tidak pernah mengatakan ia mencuri uang saya” menunjukkan pentingnya penekanan dapat bermain dalam sebuah kalimat, dan dengan demikian yang melekat kesulitan bahasa alami prosesor bisa di parsing itu. Tergantung pada kata yang tempat pembicara stres, kalimat ini bisa memiliki beberapa arti yang berbeda: “Aku tidak pernah mengatakan ia mencuri uang saya” – Seseorang lain o mengatakan itu, tapi aku tidak. “”Aku tidak pernah mengatakan ia mencuri uang saya” – Aku hanya tidak o pernah mengatakannya. “Aku tidak pernah mengatakan ia mencuri uang saya” – aku mungkin tersirat o dalam beberapa cara, tetapi saya tidak pernah secara eksplisit mengatakannya. “Aku tidak pernah mengatakan ia mencuri uang saya” – saya kata seseorang o mengambilnya, aku tidak mengatakan bahwa itu dia. “Aku tidak pernah mengatakan ia mencuri uang saya” – Aku hanya bilang dia o mungkin meminjam. “Aku tidak pernah mengatakan ia mencuri uang saya” – aku bilang dia mencuri o uang orang lain. “Aku tidak pernah mengatakan ia mencuri uang saya” – aku bilang dia mencuri o sesuatu dari saya, tapi tidak uang saya.
Evaluasi pengolahan bahasa alami Tujuan NLP tujuan evaluasi adalah untuk mengukur satu atau lebih kualitas dari sebuah algoritma atau sistem, untuk menentukan apakah (atau sejauh mana) sistem menjawab tujuan dari perancang, atau memenuhi kebutuhan para pengguna. Penelitian di NLP evaluasi telah menerima perhatian yang cukup besar, karena definisi kriteria evaluasi yang tepat adalah salah satu cara untuk menentukan dengan tepat suatu masalah NLP, dengan demikian akan melampaui ketidakjelasan tugas hanya didefinisikan sebagai pemahaman bahasa atau bahasa generasi. Sebuah tepat seperangkat kriteria evaluasi yang evaluasi terutama mencakup data dan evaluasi metrik, memungkinkan beberapa tim untuk membandingkan solusi mereka terhadap suatu masalah NLP.
Sejarah Singkat evaluasi di NLP
Evaluasi pertama kampanye pada teks-teks tertulis tampaknya merupakan pesan yang didedikasikan untuk kampanye pemahaman pada tahun 1987 (Pallet 1998). Kemudian, Parseval / proyek GEIG dibandingkan tata bahasa struktur frase (Black 1991). Serangkaian promosi dalam proyek keterangan rahasia diwujudkan pada tugas-tugas seperti summarization, terjemahan dan pencarian (Hirshman 1998). Pada tahun 1994, di Jerman, Morpholympics dibandingkan taggers Jerman. Kemudian, Senseval dan kampanye Romanseval dilakukan dengan tujuan semantik disambiguasi. Pada tahun 1996, dibandingkan kampanye Sparkle sintaksis parsers dalam empat bahasa yang berbeda (Inggris, Perancis, Jerman dan Italia). Di Perancis, proyek Grace dibandingkan satu set dari 21 taggers untuk Perancis pada tahun 1997 (Adda 1999). Pada tahun 2004, selama Technolangue / Easy proyek, 13 perancis parsers untuk dibandingkan. Skala besar ketergantungan parsers evaluasi dilakukan dalam konteks CoNLL tugas bersama pada tahun 2006 dan 2007Di Italia, kampanye evalita dilakukan pada tahun 2007 untuk membandingkan berbagai alat untuk italian evalita situs web. Di Perancis, dalam ANR-proyek Passage (akhir 2007), 10 parsers untuk perancis dibandingkan bagian situs web.
Berbagai jenis evaluasi Tergantung pada prosedur evaluasi, sejumlah perbedaan secara tradisional dibuat dalam NLP evaluasi. •
Intrinsik vs evaluasi ekstrinsik
Evaluasi intrinsik NLP mempertimbangkan sistem yang terisolasi dan ciri kinerjanya terutama yang berkaitan dengan hasil standar emas, pra-ditentukan oleh evaluator. Ekstrinsik evaluasi, juga disebut evaluasi digunakan mempertimbangkan sistem NLP dalam pengaturan yang lebih kompleks, baik sebagai sistem embedded atau melayani fungsi yang tepat bagi pengguna manusia. Ekstrinsik kinerja sistem kemudian ditandai dalam hal utilitas sehubungan dengan tugas keseluruhan sistem yang kompleks atau pengguna manusia. Sebagai contoh, pertimbangkan sebuah sintaksis parser yang didasarkan pada output dari beberapa bagian dari pidato baru (POS) Tagger. Evaluasi intrinsik akan menjalankan POS Tagger pada beberapa label data, dan membandingkan sistem output dari POS Tagger ke standar emas (benar) output. Sebuah evaluasi ekstrinsik akan menjalankan parser dengan POS Tagger lain, dan kemudian dengan POS Tagger yang baru, dan membandingkan akurasi parsing. •
Black-kotak-kotak kaca vs evaluasi
Evaluasi kotak hitam memerlukan satu untuk menjalankan sebuah sistem NLP pada suatu kumpulan data dan mengukur sejumlah parameter yang berkaitan dengan mutu proses (kecepatan, kehandalan, konsumsi sumber daya), dan yang paling penting, untuk kualitas hasil ( misalnya akurasi data anotasi atau kesetiaan terjemahan). Evaluasi kotak kaca terlihat pada desain sistem, algoritma yang diimplementasikan, sumber-sumber linguistik yang digunakannya (misalnya ukuran kosakata), dll Mengingat kompleksnya masalah NLP, seringkali sulit untuk memprediksi kinerja hanya atas dasar kotak kaca evaluasi, namun evaluasi jenis ini lebih informatif sehubungan dengan kesalahan analisis atau perkembangan masa depan dari sebuah sistem.
•
Evaluasi manual vs otomatis
Dalam banyak kasus, prosedur otomatis dapat didefinisikan untuk mengevaluasi sebuah sistem NLP dengan membandingkan outputnya dengan standar emas (atau yang diinginkan) satu. Meskipun biaya produksi standar emas dapat cukup tinggi, otomatis evaluasi dapat diulang sesering yang diperlukan tanpa biaya tambahan (pada data input yang sama). Namun, untuk banyak masalah NLP, definisi dari sebuah standar emas adalah tugas yang cukup rumit, dan dapat membuktikan tidak mungkin bila kesepakatan antar-Annotator tidak cukup. Manual evaluasi dilakukan oleh hakim manusia, yang diperintahkan untuk memperkirakan kualitas sistem, atau paling sering dari suatu sampel dari outputnya, berdasarkan sejumlah kriteria. Meskipun, berkat kompetensi linguistik mereka, hakim manusia dapat dianggap sebagai referensi untuk sejumlah tugas pemrosesan bahasa, ada juga cukup banyak variasi di peringkat mereka. Inilah sebabnya mengapa evaluasi otomatis kadang-kadang disebut sebagai evaluasi objektif, sementara jenis manusia muncul untuk menjadi lebih subjektif.
Bahasa Pemrograman vs Bahasa-Alami Secara konsep, pemrograman bisa. dikaitkan (dianalogikan) dengan disiplin rekayasa dan bahasa (alami). Kaitan dengan bahasa ini karena: •
Konsep-konsep pemrograman adalah konsep-konsep bahasa pemrograman
Konsep-konsep bahasa pemrograman dalam beberapa hal mirip dengan konsep-konsep bahasa? AlamiYang dimaksud bahasa-alami adalah bahasa yang diucapkan sehari-hari antar manusia, yang tidak perlu melibatkan komputer; seperti bahasa Indonesia, bahasa Inggris, dan sebagainya. Berbekal pemahaman ini kita lihat hal berikut. •
Suatu kalimat dalam bahasa alami beranalogi dengan sebuah peryataan (statement) di bahasa pemrograman. •
Suatu kalimat di bahasa alami diakhiri dengan tandabaca. Sebuah statement di bahasa pemrograman juga diakhiri dengan tandabaca. •
Tabulasi dibawah ini memperlihatkan kemiripan bahasa pemrograman dengan bahasa alami. Tabulasi berisi entri-entri yang dimulai dengan satuan yang lebih be sar ke satuan yang leb ih ke ci l. Kita me mp el aj ar i implementasi konsep-konsep pemrograman urutan yang hampir sama. Analogi (perbandingan) bahasa alarm vs bahasa pemrograman
Bahasa Alami
Bahasa Pemrograman
Sebuah paragraf terdiri atas satu Sebuah blok terdiri atas satu atau lebih atau lebih kalimat. statement. Sebuah kalimat diakhiri oleh tanda Sebuah
statement
diakhiri
oleh
baca.
tandabaca.
Sebuah kalimat bisa terdiri atas kata benda Sebuah statement bisa terdiri atas ipe, abstrak, kata kerja, kata keada yn dan kata benda operasi, nilai, dan objek. (4 konsep ini nyata. akan dibahas lebih jauh)
Catatan : buku-buku bahasa alarm biasanya mulai mengajarkan konsepkonsep bahasa dari satuan terkecil : huruf, diikuti kata, diikuti kalimat, kemudian paragraf. Cara belajar seperti ini akan diakomodasi dalam subjek 'Bahasa Pemrograman Tingkat Tinggi' dan 'Teori Kompilasi.
