Anda di halaman 1dari 12

pengertian

Pengolahan bahasa alami (NLP) adalah bidang ilmu komputer dan linguistik berkaitan
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 yang lebih mudah untuk
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 pidato telah berkembang menjadi sebuah bidang yang terpisah.

Pemrosesan Bahasa Alami


• Menurut Rich [2], pemrosesan bahasa alami dapat dibagi atas beberapa proses:
1. Morphological analysis, dimana kata secara individu dianalisis ke dalam
komponen-komponennya dan yang bukan kata (seperti tanda baca) dipisahkan
dari kata
2. Syntactic analysis, urutan linier dari kata ditransformasikan ke dalam struktur
yang menunjukkan bagaimana kata saling berhubungan. Urutan kata yang
melanggar aturan bahasa dalam pengkombinasian kata, akan ditolak
3. Semantic analysis, dibuat mapping antara struktur sintaksis & objek dalam
domain kerja. Struktur dimana tidak ada mapping yang memungkinkan, akan
ditolak.
4. Discourse integration, dimana arti dari kalimat secara individu bergantung pada
kalimat-kalimat yang mendahului & mungkin dapat mempengaruhi arti dari
kalimat-kalimat yang mengikutinya
5. Pragmatic analysis, dimana struktur yang merepresentasikan apa yang
diucapkan, diintepretasikan kembali untuk menentukan apa arti sebenarnya.

Proses Sintaksis
• Proses sintaksis [2] atau disebut juga parsing, merupakan langkah dimana kalimat
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 kalimat-
kalimat 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 The Common simile: waktu bergerak dengan cepat seperti anak panah tidak;
o 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;
o mengukur kecepatan lalat seperti anak panah akan – yaitu Sisa lalat dengan cara
yang sama bahwa sebuah panah itu akan (waktu itu);
o mengukur kecepatan lalat yang seperti anak panah – yaitu Sisa mereka lalat yang
seperti anak panah;
o semua jenis serangga terbang, “waktu-lalat,” kolektif menikmati satu panah
(bandingkan lalat Buah seperti pisang);
o masing-masing jenis serangga terbang, “waktu-lalat,” menikmati secara individu
yang berbeda panah (perbandingan serupa berlaku);
o 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”.
o 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
dalam frase “cukup jelek”)
o Apakah para gadis cantik tampak sedikit? (perbandingan yang sama berlaku)

• 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:
o “Aku tidak pernah mengatakan ia mencuri uang saya” – Seseorang lain
mengatakan itu, tapi aku tidak.
o “”Aku tidak pernah mengatakan ia mencuri uang saya” – Aku hanya tidak
pernah mengatakannya.
o “Aku tidak pernah mengatakan ia mencuri uang saya” – aku mungkin tersirat
dalam beberapa cara, tetapi saya tidak pernah secara eksplisit mengatakannya.
o “Aku tidak pernah mengatakan ia mencuri uang saya” – saya kata seseorang
mengambilnya, aku tidak mengatakan bahwa itu dia.
o “Aku tidak pernah mengatakan ia mencuri uang saya” – Aku hanya bilang dia
mungkin meminjam.
o “Aku tidak pernah mengatakan ia mencuri uang saya” – aku bilang dia mencuri
uang orang lain.
o “Aku tidak pernah mengatakan ia mencuri uang saya” – aku bilang dia mencuri
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 besar ke satuan yang lebih
kecil. Kita mempelajari 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 keadayn 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.