AUTOMASI PEMBUATAN KNOWLEDGE GRAPH UNTUK PERATURAN PERUNDANG-UNDANGAN DI INDONESIA

BAB 1 PENDAHULUAN

Latar Belakang

Peraturan perundang-undangan adalah peraturan tertulis yang memuat norma hukum yang mengikat secara umum dan dibentuk atau ditetapkan oleh lembaga negara atau pejabat yang berwenang melalui prosedur yang ditetapkan dalam peraturan perundang-undangan, sesuai yang dijelaskan dalam UU Nomor 12 Tahun 2011 Pasal 1 Ayat 2 1. Peraturan perundang-undangan dapat digunakan untuk menjawab pertanyaan yang berkaitan dengan hukum, seperti:

Peraturan apa saja yang berlaku pada suatu daerah?
Apa hubungan suatu peraturan dengan peraturan lain?
Apa saja peraturan yang mengatur suatu topik?

Pertanyaan-pertanyaan tersebut umumnya dapat dijawab oleh seorang ahli hukum, artinya penerapan peraturan perundang-undangan ini hanya dapat dilakukan dalam skala kecil dan biaya relatif mahal. Komputer dapat menjadi alternatif untuk aplikasi tersebut dalam skala lebih besar dan biaya lebih murah, jika peraturan perundang-undangan berupa data terstruktur yang dapat diolah oleh komputer. Sayangnya, data peraturan perundang-undangan umumnya dibuat dalam bentuk data semi-terstruktur, yaitu berupa dokumen yang memiliki data terstruktur seperti aturan penomoran dan aturan struktur (seperti bab, pasal, dan ayat), tetapi penulisan peraturan sendiri dalam bentuk data tidak terstruktur yaitu teks bahasa manusia.

Gambar diatas merupakan salah satu contoh ekstraksi informasi dari UU No.11 Tahun 2020 tentang Ketenagakerjaan. Pada gambar diatas, dapat dilihat bahwa sebagian informasi dapat diekstraksi dari sifat terstruktur dokumen peraturan perundang-undangan (ditandai dengan warna merah), dan sebagian informasi lainnya dapat diekstraksi dari data tidak terstruktur beruba teks (ditandai dengan warna biru). Untuk melakukan ekstraksi informasi tidak terstruktur seperti pada gambar yaitu "UU No.11 Tahun 2020 Pasal 6 menyebut UU No.11 Tahun 2020 Pasal 5 ayat(1) huruf a", manusia pertama-tama perlu membaca dari awal kalimat sampai menemukan pola string yang merujuk kepada suatu komponen dokumen peraturan perundang-undangan, kemudian meng-infer informasi lengkap dari komponen tersebut. Proses konversi string "Pasal 5 ayat (1) huruf a" menjadi informasi lengkap "UU No.11 Tahun 2020 Pasal 5 ayat (1) huruf a" perlu dilakukan secara manual oleh manusia.

Dengan melakukan ekstraksi data dari data tidak terstruktur pada dokumen, digabung dengan data yang sudah terstruktur, peraturan perundang-undangan dapat diubah menjadi dapat diolah oleh komputer. Selain dapat menjawab pertanyaan, representasi knowledge graph juga dapat digunakan untuk analisis karena data sudah terstruktur. Representasi knowledge graph juga memungkinkan untuk dapat melakukan reasoning. Pada skripsi ini, akan dilakukan konversi dokumen peraturan perundang-undangan menjadi data terstruktur dalam bentuk knowledge graph, dan memberikan contoh pengaplikasian dari knowledge graph peraturan perundang-undangan tersebut.

Beberapa usaha telah dilakukan untuk membuat vocabulary untuk knowledge graph peraturan perundang-undangan seperti European Legislation Identifier (ELI) 2. Tetapi ELI belum memiliki vocabulary untuk struktur dokumen. Sehingga dengan membuat vocabulary yang belum tersedia, diharapkan dapat menjadi kontribusi dalam mendukung pembuatan knowledge graph untuk dokumen peraturan perundan-undangan.

Permasalahan

Berikut ini adalah rumusan permasalahan dari penelitian yang dilakukan:

Bagaimana cara membuat legal ontology untuk memperjelas requirement dan mempermudah konversi dokumen PDF menjadi knowledge graph?
Bagaimana konversi dokumen peraturan perudang-undangan menjadi knowledge graph dapat dilakukan secara otomatis?
Apa saja contoh aplikasi dari knowledge graph peraturan perundang-undangan tersebut?

// TODO: bagaimana melakukan proof of concept untuk yang udah dibuat, detail untuk maintain, general large scale, evaluasi konversi

Batasan Permasalahan

// TODO: fokus yang mainteined (UU + non UU), dan coba parsing UU hasil scraping

Sistematika Penulisan

BAB 2 TINJAUAN PUSTAKA

Knowledge Graph

Knowledge graph merupakan model data berbasis graph yang menggambarkan entitas dunia nyata dan hubungan antara entitas-entitas tersebut 5. Sebagai contoh, pada gambar dibawah dapat dilihat terpadat entitas-entitas yang ditandai dengan bentuk lingkaran, dan hubungan antara entitas-entitas ditandai dengan bentuk anak panah. Dapat dilihat pada gambar dibawah bahwa terdapat entitas "James" dan "Louvre" dan properti "has visited" yang mengarah dari "James" ke "Louvre". Relasi tersebut dapat kita anggap sebagai sebuah pengetahuan yang dalam bahasa manusia dapat dituliskan sebagai "James pernah mengunjungi Louvre". Model data seperti ini cocok untuk menyimpan data dengan banyak jenis relasi antara entitas seperti pengetahuan umum, dibandingkan dengan relational database yang cocok untuk menyimpan data dengan relasi antar entitas yang sudah diketahui dan terbatas.

source:https://yashuseth.files.wordpress.com/2019/10/knowledge-graph.jpg

Resource Description Framework

Resource Description Framework (RDF) merupkan model data yang memberikan pernyataan tentang suatu resource dalam bentuk subjek-properti-objek, atau sering disebut triple. Sebuah knowledge graph dapat direpresentasikan sebagai kumpulan triple. Subyek dan properti dalam triple direpresentasikan sebagai Uniform Resource Identifier (URI), sedangkan objek dapat direpresentasikan dengan URI atau string literal. Pada gambar dibawah, dapat dilihat terdapat knowledge graph dengan dua triple. Pada triple 1 subjek, properti, dan objek berturut-turut adalah https://example.org/james,https://example.org/has_visited,https://example.org/louvre yang mana semuanya berbentuk URI. Sedangkan pada triple 2 subjek, properti, dan objek berturut-turut adalah https://example.org/james,https://example.org/has_name, "james" . https://example.org/james, https://example.org/louvre berturut-turut merupakan notasi untuk resource entitas James dan Louvre, https://example.org/has_visited dan https://example.org/has_name merupakan properti yang menjelaskan hubungan antara subjek dan objek, dan "james" adalah string literal yang menunjukan nilai dari nama James.

Terdapat beberapa format berkas dan sintaks untuk mengekspresikan RDF. Pada penelitian ini, penulis menggunakan format Terse RDF Triple Language (Turtle). Sebagai contoh, knowledge graph diatas dapat dituliskan dalam format Turtle sebagai berikut.

<https://example.org/james> <https://example.org/has_visited> <https://example.org/louvre> .
<https://example.org/james> <https://example.org/has_name> "james" .

Dengan fitur format Turtle, dua triple diatas dapat ditulis lebih singkat dengan mengganti prefix URI yang sama menjadi teks yang lebih singkat, dan menggabungkan penulisan beberapa triple dengan subjek yang sama sehingga subjek hanya perlu dituliskan sekali saja. Sebagai contoh, karena sebagaian besar URI memiliki prefix https://example.org/, kita dapat menggantinya dengan string ex dengan mendeklarasikan @prefix ex: <https://example.org/> .. Kedua triple juga memiliki subjek yang sama yaitu https://example.org/james, oleh karena itu, penulisan kedua turtle bisa digabung dengan hanya menuliskan subjek sebanyak satu kali, kemudian menuliskan properti dan objek dipisah dengan tanda titik koma . Berikut adalah contoh penulisan dua triple diatas dalam bentuk yang lebih singkat dan lebih mudah dibaca oleh manusia.

@prefix ex: <https://example.org/> .

ex:james 
  ex:has_visited ex:louvre ;
  ex:has_name "james" .

SPARQL

SPARQL merupakan salahsatu RDF query language yaitu bahasa yang mampu mengambil atau mengubah data yang disimpan dalam format RDF. Sintaks SPARQL memiliki beberapa kesamaan dengan SQL, contohnya sebuah variabel diawali dengan tanda tanya seperti ?name. Berikut adalah penjelasan sintaks SPARQL.

PREFIX: Mendeklarasikan pemetaan prefix URI menjadi string yang lebih singkat. Hal ini dilakukan agar query lebih mudah dibaca oleh manusia seperti sintaks @prefix pada Turtle.
SELECT: Menyatakan variabel yang akan ditampilkan sebagai output dari query.
WHERE: Menyatakan kondisi triple yang akan ditampilkan pada output.

Berikut adalah contoh-contoh query SPARQL yang dilakukan pada contoh knowledge graph pada subbab sebelumnya.

Contoh Query 1

Query ini bertujuan untuk menampilkan semua triple yang terdapat pada knowledge graph.

PREFIX ex: <https://example.org/>
SELECT ?s 
       ?p
       ?o
WHERE
  {
    ?s ?p ?o
  }

Output dari query tersebut adalah sebagai berikut.

?s	?p	?o
ex:james	ex:has_visited	ex:louvre
ex:james	ex:has_name	"james"

Contoh Query 2

Query ini bertujuan untuk menampilkan semua properti dan objek pada triple dengan subjek https://example.org/james.

PREFIX ex: <https://example.org/>
SELECT ?p
       ?o
WHERE
  {
    ex:james ?p ?o
  }

Output dari query tersebut adalah sebagai berikut.

?p	?o
ex:has_visited	ex:louvre
ex:has_name	"james"

Contoh Query 3

Query ini bertujuan untuk menampilkan semua objek pada triple dengan subjek https://example.org/james dan properti https://example.org/has_visited. Artinya, query ini menampilkan semua tempat yang pernah dikunjungi james.

PREFIX ex: <https://example.org/>
SELECT ?visited_place
WHERE
  {
    ex:james ex:has_visited ?visited_place
  }

Output dari query tersebut adalah sebagai berikut.

?visited_place
ex:louvre

Peraturan Perundang-undangan

??? boleh ngequote sebanyak apa?

Menurut Undang-Undang Nomor 10 Tahun 2004 Pasal 7 Ayat 1, peraturan perundang-undangan adalah peraturan tertulis yang dibentuk oleh lembaga negara atau pejabat yang berwenang dan mengikat secara umum. Jenis dan hierarki peraturan perundang-undangan terdiri atas:

Undang-Undang Dasar Negara Republik Indonesia Tahun 1945
Undang-Undang/Peraturan Pemerintah Pengganti Undang-Undang
Peraturan Pemerintah
Peraturan Presiden
Peraturan Daerah

Berikut adalah beberapa peranan perundang-undangan untuk Indonesia 1:

Peraturan perundang-undangan merupakan kaidah hukum yang mudah dikenal (diidentifikasi), mudah diketemukan kembali, dan mudah ditelusuri. Sebagai kaidah hukum tertulis, bentuk, jenis,dan tempatnya jelas. Begitu pula pembuatnya.
Peraturan perundang-undangan memberikan kepastian hukum yang lebih nyata karena kaidah-kaidahnya mudah diidentifikasi dan mudah diketemukan kembali.
Struktur dan sistematika peraturan perundang-undangan lebih jelas sehingga memungkinkan untuk diperiksa kembali dan diuji baik segi-segi formal maupun materi muatannya.
Pembentukan dan pengembangan peraturan perundang-undangan dapat direncanakan. Faktor ini sangat penting bagi negara-negara yang sedang membangun termasuk membangun sistem hukum baru yang sesuai dengan kebutuhan dan perkembangan masyarakat.

Menurut lampiran Undang-Undang Nomor 10 Tahun 2004, struktur peraturan perundang–undangan terdiri atas:

Judul
Pembukaan
Batang Tubuh
Penutup
Penjelasan (jika diperlukan)
Lampiran (jika diperlukan)

Bagian judul, pembukaan, dan penutup memuat metadata dari peraturan perundang-undangan tersebut seperti jenis, nomor, tahun pengundangan atau penetapan, nama, jabatan pembentuk, konsiderans, kasar Hukum, peraturan perundang-undangan. Konsiderans memuat uraian singkat mengenai pokok–pokok pikiran yang menjadi latar belakang dan alasan pembuatan peraturan perundang–undangan. Dasar Hukum memuat dasar kewenangan pembuatan peraturan perundang-undangan dan peraturan perundang–undangan yang memerintahkan pembuatan peraturan perundang–undangan tersebut. Oleh karena itu, kita dapat melihat keterkaitan antara peraturan perundang-undangan dengan melihat konsiderans dan dasar hukum dari peraturan tersebut.

Batang tubuh peraturan perundang-undangan memuat semua substansi peraturan perundang-undangan yang dirumuskan dalam pasal. Pengelompokkan materi peraturan perundang-undangan dapat disusun secara sistematis dalam buku, bab, bagian, dan paragraf atas dasar kesamaan materi. Pasal dapat dirinci ke dalam beberapa ayat. Pasal dan ayat dapat dibuat dalam bentuk kalimat maupun tabulasi rincian. Dalam bentuk tabulasi rincian, setiap rincian harus dapat dibaca sebagai satu rangkaian kesatuan dengan frase pembuka dan setiap rincian diawali dengan huruf (abjad) kecil dan diberi tanda baca titik. Suatu rincian dapat dibagi lagi ke unsur rincian yang lebih kecil.

Saat ini pembuatan dan pemanfaatan peraturan perundang-undangan masih dilakukan secara manual oleh manusia. Pembuatan peraturan perundang-undangan dilakukan dengan mengetikkan konten peraturan tersebut dengan format yang telah ditentukan. Metode pembuatan tersebut tidak masalah jika hanya akan dibaca oleh manusia karena manusia secara tidak sadar dapat melihat hirarki visual dari dokumen tersebut dan membuat data yang dilihatnya terstruktur di dalam otak. Metode ini membuat pemanfaatan peraturan perundang-undangan oleh mesin menjadi kurang efisien karena mesin perlu melakukan proses tambahan yaitu mengkonversi gambar menjadi data terstruktur.

Pemodelan European Legislation Identifier (ELI)

ELI merupakan sistem untuk membuat peraturan perundang-undangan tersedia secara daring dalam format terstandardisasi, sehingga dapat diakses dan digunakan oleh berbagai instansi. ELI bertujuan untuk untuk memfasilitasi akses, berbagi dan interkoneksi informasi hukum yang diterbitkan melalui nasional, Eropa dan sistem informasi hukum global [6]. ELI dibangun berdasarkan persetujuan antara negara-negara EU. Spesifikasi yang terdapat pada ELI antara lain:

URI untuk informasi peraturan perundang-undangan.
Metadata yang mendeskripsikan informasi peraturan perundang-undangan.

// TODO: terlalu singkat, ksh konsepnya gmn dan contoh pemodelan ELI utk suatu peraturan

// TODO: ELI jg msh simpel. Bs dijelaskan motivasi ELI, serta apa contoh konsep2 yg sdh ada di ELI ontology, serta yg belum ada.

// TODO: - ELI kekurangan lainnya ya lbh condong ke pemodelan peraturan di Eropa, bukan di Indonesia. Misal, gak ada namanya Peraturan Pemerintah, atau Pergub di ELI :)

BAB 3 METODOLOGI

// TODO: Maintained docs masukin sini

// TODO: Utk yg metodologi, sbnrnya standar aja, dimulai dari pertanyaan riset, lalu pengembangan ontology (URI scheming masuk ke pengembagan ontology), pengembangan sistem konversi, baru lalu use case evaluation (ini yg legal KG advanced querying, legal KG chatbot, legal KG visualization) baru large scale eval (ini yg coba konversi peraturan dlm jumlah besar dan kita sampling utk evaluasi correctnessnya)

TODO: suatu KG construction dimulai dengan competency questions (requirements). Saran sy: coba baca serta rangkum (di Bab 2) dan terapkan ini: www.ksl.stanford.edu/people/dlm/papers/ontology-tutorial-noy-mcguinness-abstract.html ???

BAB 4 RANCANGAN

Perancangan URI

Setiap entitas yang berbeda perlu diberikan URI yang berbeda. Penggabungan KG sangat umum dilakukan karena secara struktur dapat dilakukan dengan mudah, dan dapat memperkuat data dari masing-masing KG. KG memiliki entitas-entitas dengan URI yang unik, oleh karena itu saat menggabungkan sebuah KG A dan sebuah KG B, entitas yang berbeda harus memiliki URI yang berbeda. Sebuah masalah dapat terjadi apabila URI tidak dirancang dengan benar. Sebagai contoh, apabila terdapat entitas dari KG A dengan URI https://example.org/trump dengan maksud Donald Trump mantan presiden Amerika Serikat, dan entitas dari KG B dengan URI yang sama dengan maksud permainan kartu Trump, saat kedua KG ini digabung akan menjadi informasi yang berkontradiksi.

Pada penelitian ini, semua URI menggunakan prefix https://example.org/lex2kg/ yang selanjutnya akan disebut basePrefix. Prefix ini dapat diganti dalam program agar dapat disesuaikan oleh pengguna program. Semua entitas dokumen dan komponennya menggunakan prefix URI https://example.org/lex2kg/peraturan yang selanjutnya disebut peraturanPrefix, dan semua resource lainnya menggunakan https://example.org/lex2kg/ontology yang selanjutnya disebut ontoPrefix.

Perancangan URI Class

URI Class adalah URI yang menjelaskan class dari entitas tersebut. Semua URI Class mengikuti pola {ontoPrefix}/{className} dimana className adalah nama class tersebut. Berikut adalah semua class komponen beserta URI dan deskripsinya.

Nama Class	Deskripsi
`Peraturan`	Peraturan perundang-undangan
`DaftarBab`	Daftar satu atau lebih bab
`Bab`	Bab
`DaftarBagian`	Daftar satu atau lebih bagian
`Bagian`	Bagian
`DaftarParagraf`	Daftar satu atau lebih paragraf
`Paragraf`	Paragraf
`DaftarPasal`	Daftar satu atau lebih pasal
`Pasal`	Pasal
`VersiPasal`	Versi dari sebuah pasal. Sebuah pasal dapat memiliki satu atau lebih versi dari hasil amandemen
`DaftarAyat`	Daftar satu atau lebih ayat
`Ayat`	Ayat
`DaftarHuruf`	Daftar satu atau lebih huruf atau nomor
`Huruf`	Huruf atau nomor
`Menimbang`	Hal yang ditimbang oleh suatu peraturan
`Mengingat`	Hal yang diingat oleh suatu peraturan
`Segmen`	Segmen teks. Dapat memiliki rujukan ke suatu komponen peraturan

Perancangan URI Komponen Peraturan Perundang-undangan

URI peraturan perundang-undangan diawali oleh peraturanPrefix, kemudian diikuti oleh string yang mengidentifikasi peraturan tersebut. URI peraturan ini akan digunakan oleh entitas sebagai prefix yang selanjutnya akan disebut docURI. Berikut adalah jenis peraturan perundang-undangan yang diimplementasi pada penelitian ini beserta pola URI nya. Variabel akan dikurung dengan kurung kurawal {}.

Jenis Peraturan	Pola URI	Penjelasan variabel
Undang-Undang Dasar 1945	`{peraturanPrefix}/uud`
Undang-Undang	`{peraturanPrefix}/uu/{tahun}/{nomor}`	`tahun`: tahun peraturan
		`nomor`: nomor peraturan
Peraturan Pemerintah	`{peraturanPrefix}/pp/{tahun}/{nomor}`	`tahun`: tahun peraturan
		`nomor`: nomor peraturan
Peraturan Daerah Provinsi DKI Jakarta	`{peraturanPrefix}/perda_provinsi_dki_jakarta/{tahun}/{nomor}`	`tahun`: tahun peraturan
		`nomor`: nomor peraturan
Peraturan Gubernur DKI Jakarta	`{peraturanPrefix}/pergub_dki_jakarta/{tahun}/{nomor}`	`tahun`: tahun peraturan
		`nomor`: nomor peraturan
Peraturan Walikota Malang	`{peraturanPrefix}/perwali_malang/{tahun}/{nomor}`	`tahun`: tahun peraturan
		`nomor`: nomor peraturan

Setiap komponen dokumen merupakan entitas, dan memiliki URI. URI sebuah komponen didahului oleh docURI dan semua komponen yang mengatasinya. Berikut adalah jenis komponen peraturan perundang-undangan beserta pola URI nya.

Class Komponen	Pola URI	Penjelasan variabel
`DaftarBab`	`{docURI}/bab`	`docURI`: URI peraturan yang mengatasi
`Bab`	`{daftarBabURI}/{no}`	`daftarBabURI`: URI `DaftarBab` yang mengatasi
		`no`: Nomor bab
`DaftarBagian`	`{babURI}/bagian`	`babURI`: URI `Bab` yang mengatasi
`Bagian`	`{daftarBagianURI}/{no}`	`daftarBagianURI`: URI `DaftarBagian` yang mengatasi
		`no`: Nomor bagian
`DaftarParagraf`	`{bagianURI}/paragraf`	`bagianURI`: URI `Bagian` yang mengatasi
`Paragraf`	`{daftarParagrafURI}/{no}`	`daftarParagrafURI`: URI `DaftarBagian` yang mengatasi
		`no`: Nomor paragraf
`DaftarPasal`	`{parentURI}/daftarpasal`	`parentURI`: URI `Bab`, `Bagian`, `Paragraf` yang mengatasi
`Pasal`	`{docURI}/pasal/{no}`	`docURI`: URI peraturan yang mengatasi
		`no`: Nomor pasal
`VersiPasal`	`{pasalURI}/versi/{date}`	`pasalURI`: URI `Pasal` yang mengatasi
		`date`: Tanggal disahkan
`DaftarAyat`	`{pasalURI}/ayat`	`pasalURI`: URI `Pasal` yang mengatasi
`Ayat`	`{daftarAyatURI}/{no}`	`daftarAyatURI`: URI `DaftarAyat` yang mengatasi
		`no`: Nomor ayat
`DaftarHuruf`	`{parentURI}/huruf`	`parentURI`: URI `Ayat`, `Huruf`, `VersiPasal`, `Menimbang`, `Mengingat`, yang mengatasi
`Huruf`	`{daftarHurufURI}/{id}`	`daftarHurufURI`: URI `DaftarHuruf` yang mengatasi
		`id`: Nomor atau huruf
`Menimbang`	`{docURI}/menimbang`	`docURI`: URI peraturan yang mengatasi
`Mengingat`	`{docURI}/mengingat`	`docURI`: URI peraturan yang mengatasi
`Segmen`	`{parentURI}/{name}`	`parentURI`: URI `Ayat`, `Huruf`, `DaftarHuruf`, `VersiPasal`, `Menimbang`, `Mengingat`, yang mengatasi
		`name`: Nama teks

Perancangan URI Properti

Properti ditandai dengan URI yang memiliki pola {ontoPrefix}/{name} dimana name adalah nama dari properti tersebut. Properti menghubungkan subjek dan objek. Subjek adalah berupa URI komponen, sedangkan objek dapat berupa URI komponen, string, number (bilangan), atau date (tanggal).

Nama Properti	Subjek	Objek	Deskripsi
`nomor`	`Bab`, `Bagian`, `Paragraf`, `Pasal`, `Ayat`, `Huruf`	string, number	Nomor atau huruf identifier dari komponen
`teks`	`Ayat`, `VersiPasal`, `Segmen`	string	teks dari komponen
`bab`	`DaftarBab`	`Bab`	Bab
`bagian`	`DaftarBagian`	`Bagian`	Bagian
`paragraf`	`DaftarParagraf`	`Paragraf`	Paragraf
`pasal`	`DaftarPasal`	`Pasal`	Pasal
`ayat`	`DaftarAyat`	`Ayat`	Ayat
`huruf`	`DaftarHuruf`	`Huruf`	Huruf
`segmen`	`Mengigat`,`Menimbang`, `Paragraf`, `VersiPasal`, `Huruf`, `DaftarHuruf`	`Segmen`	Segmen
`daftarBab`	`Peraturan`	`DaftarBab`	DaftarBab
`daftarBagian`	`Bab`	`Daftarbagian`	DaftarBagian
`daftarParagraf`	`Bagian`	`DaftarParagraf`	DaftarParagraf
`daftarPasal`	`Peraturan`,`Bab`, `Paragraf`, `Bagian`	`DaftarPasal`	DaftarPasal
`daftarAyat`	`Pasal`	`DaftarAyat`	DaftarAyat
`daftarHuruf`	`VersiPasal`,`Ayat`,`Huruf`,`Menimbang`,`Mengingat`	`DaftarHuruf`	DaftarHuruf
`merujuk`	`Segmen`	entitas apapun	Teks merujuk suatu entitas
`mengubah`	`Huruf`	`VersiPasal`	Pengubahan pasal
`menghapus`	`Huruf`	`VersiPasal`	Penghapusan pasal
`menyisipkan`	`Huruf`	`VersiPasal`	Penyisipan pasal
`tanggal`	`VersiPasal`	date	Tanggal
`jenisVersi`	`VersiPasal`	'orisinal', 'penyisipan', 'pengubahan', 'penghapusan'	Jenis versi
`versi`	`Pasal`	`VersiPasal`	Versi suatu komponen
`tentang`	`Peraturan`	string	Peraturan tentang
`menimbang`	`Peraturan`	`Menimbang`	Peraturan menimbang
`mengingat`	`Peraturan`	`Mengingat`	Peraturan mengingat
`disahkanPada`	`Peraturan`	date	Peraturan disahkan pada tanggal
`disahkanDi`	`Peraturan`	string	Peraturan disahkan di lokasi
`disahkanOleh`	`Peraturan`	string	Peraturan disahkan oleh
`jabatanPengesah`	`Peraturan`	string	Jabatan pengesah peraturan
`bagianDari`	komponen apapun	komponen apapun	Komponen subjek adalah bagian dari komponen objek

BAB 5 IMPLEMENTASI

OCR Ulang Berkas PDF

Dokumen peraturan perundang-undangan yang digunakan pada penelitian didapatkan dalam format berkas PDF. Penulis pada awalnya mencoba langsung mengekstraksi data dari PDF, tetapi penulis menemukan kesulitan. Salahsatu kesulitan yang penulis temui adalah terdapatnya salah pemindaian pada berkas PDF. Sebagai contoh, terdapat teks yang tertulis Pasal tetapi mengandung data Pasai. Selain itu, penulis juga menemukan bahwa setiap dokumen mengandung keslahan pemindaian yang bervariasi. Untuk suatu kasus, teks (2) selalu terdeteksi sebagai (21 pada suatu dokumen, tetapi tidak pada dokumen lainnya. Pada kasus lainnya terdapat dokumen yang hampir tidak memiliki kesalahan pemindaian dan juga terdapat dokumen yang teksnya tidak dapat dibaca samasekali.

Walaupun dokumen-dokumen tersebut dipelihara oleh satu lembaga pada satu situs web, yaitu oleh Dewan Perwakilan Rakyat pada situs web dpr.go.id/jdih, masing-masing dokumen dibuat kedalam berkas PDF dengan cara yang berbeda-beda. Penulis tidak dapat mengetahui secara pasti metode apa yang digunakan, tetapi dari metadata yang didapatkan dari berkas PDF, penulis dapat membuat beberapa dugaan. Pada berkas PDF, terdapat metadata dengan nama Creator, dimana pada dokumen-dokumen peraturan Perudang-udangan yang didapatkan, tercantum nama-nama alat pencetak atau merk dari pencetak tersebut. Dari informasi tersebut penulis menduga bahwa terdapat sebagian peraturan perundang-undangan yang dibuat menjadi PDF dengan mencetaknya menjadi kertas terlebih dahulu kemudian di pindai oleh pemindai dan sebagian lainnya dikonversi langsung dari berkas .docx. Data yang dipindai adalah berupa gambar, artinya teks yang terdapat pada berkas PDF adalah hasil OCR (optical character recognition) oleh pemindai tersebut. Berikut adalah salahsatu contoh dokumen beserta data yang tercantum sebagai Creator dan contoh kesalahan pemindaiannya yang banyak terjadi.

Dokumen	Creator	Kesalahan pemindaian
UU Nomor 13 Tahun 2003	ScanSoft PDF Create! 4	- (tidak ada)
UU Nomor 6 Tahun 2018	Canon	`(2)` selalu dipindai `(21`
PP Nomor 34 Tahun 2021	Fuji Xerox B9100	data teks tidak terbaca

Pemindaian berkas PDF dengan metode yang berbeda-beda memberikan kualitas hasil pemindaian yang berbeda-beda dan kesalahan pemindaian yang tidak konsisten. Untuk menyelesaikan masalah ini, penulis melakukan OCR ulang terhadap semua dokumen yang akan di konversi. Dengan melakukan OCR ulang menggunakan satu metode yang sama, penulis tidak hanya berhasil mendapatkan data hasil pemindaian berkas PDF dengan kualitas pemindaian yang konsisten untuk semua dokumen. Penulis memilih menggunakan Tesseract OCR 4 sebagai metode OCR karena sifatnya open source dan mendukung Bahasa Indonesia sebagai bahasa yang dipindai.

Untuk melakukan OCR ulang perlu dilakukan instalasi program yang dibutuhkan yang dapat dilakukan dengan command berikut pada sistem operasi Ubuntu 20.04. ocrmypdf merupakan wrapper untuk Tesseract OCR dan tesseract-ocr-ind adalah program tambahan untuk dapat melakukan OCR menjadi teks Bahasa Indonesia.

sudo apt update
sudo apt install ocrmypdf tesseract-ocr-ind -y

Setelah program diinstall, OCR dapat dilakukan dengan menjalankan command dibawah. Pada contoh dibawah dilakukan konversi UU-2021-34.pdf yang sudah ada menjadi UU-2021-34_OCR.pdf hasil OCR. Opsi --force-ocr diperlukan untuk melakukan OCR ulang pada berkas PDF yang sudah memiliki teks hasil OCR untuk di overwrite. Opsi --jobs 4 menjalankan command dengan 4 core CPU, bilangan pada opsi ini dapat diganti sesuai kebutuhan. Opsi --tesseract-config tesseract-config.cfg menjalankan command dengan konfigurasi yang diberikan.

ocrmypdf -l ind --force-ocr --jobs 4 --tesseract-config tesseract-config.cfg UU-2021-34.pdf UU-2021-34_OCR.pdf

Konfigurasi Tesseract OCR yang digunakan adalah tessedit_pageseg_mode 4 seperti yang terlihat pada isi file konfigurasi dibawah. tessedit_pageseg_mode 4 digunakan agar Tesseract OCR mendeteksi teks sebagai block, bukan word atau character.

# tesseract-config.cfg
tessedit_pageseg_mode 4

Ekstraksi Berkas PDF menjadi Data Span

Data Span

Agar dapat diproses oleh program, berkas PDF perlu diolah menjadi data berupa daftar teks dan posisinya yang selanjutnya akan disebut span. Sebuah span mengandung satu baris teks. Berikut adalah data yang dimiliki oleh sebuah span:

str: teks yand dikandung
xL: koordinat titik terkiri dari span
xR: koordinat titik terkanan dari span
y: koordinat titik teratas dari span
pageNum: nomor halaman
id: identifier unik untuk setiap span

Berikut adalah contoh gambaran berkas PDF dan hasil ekstraksinya menjadi daftar span.

akan dipindai menjadi

- xL: 197.52
  xR: 442.79990000000004
  'y': 234.48000000000002
  str: UNDANG-UNDANG REPUBLIK INDONESIA
  pageNum: 1
  id: 0
- xL: 252.72
  xR: 387.6002
  'y': 255.12
  str: NOMOR 13 TAHUN 2003
  pageNum: 1
  id: 1
- xL: 291.12
  xR: 349.68048
  'y': 275.76
  str: TENTANG
  pageNum: 1
  id: 2
- xL: 257.28
  xR: 383.28015999999997
  'y': 296.4
  str: KETENAGAKERJAAN
  pageNum: 1
  id: 3

Membersihkan Noise dari Halaman

Tidak jarang dokumen peraturan Perudang-undangan mengandung data noise yang tidak ingin kita ekstraksi seperti header dan footer. Pada penelitian ini, penulis menggunakan dokumen dari sumber yang sama sehingga memiliki format yang sama, dan juga posisi header dan footer yang hampir sama pada setiap dokumen.

Gambar diatas adalah contoh header yang terdapat pada setiap halaman. Dapat dilihat bahwa header selalu terdiri dari teks "PRESIDEN REPUBLIK INDONESIA" dan diikuti oleh nomor halaman, dan selalu terletak di posisi yang hampir sama. Oleh karena itu, penulis memeriksa teks menggunakan regex dan posisi dari setiap span, kemudian menghapus span tersebut jika terdeteksi sebagai header.

Penggabungan Data Berkas PDF Asli dan Hasil OCR Ulang

Pada proses ekstraksi berkas PDF menjadi daftar span, penulis menemukan satu masalah yaitu data hasil OCR tidak konsisten dalam memindai angka. Seperti yang dapat dilihat pada gambar dibawah, angka 10 berhasil dipindai tetapi angka 9 tidak berhasil. Untuk kasus dibawah, angka hanya tidak terpindai pada hasil OCR ulang, tetapi terpindai dengan benar pada berkas PDF aslinya. Untuk menyelesaikan masalah tersebut, penulis melakukan ekstraksi data pada berkas PDF aslinya, kemudian menggabungkannya dengan data hasil pemindaian untuk melengkapi bagian yang tidak terpindai.

)

Penulis hanya menggabungkan data dua berkas PDF untuk kasus angka seperti yang disebutkan diatas. Hal tersebut dikarenakan pada umumnya kita dapat mentolerir kesalahan pemindaian pada teks, tetapi karena kegagalan pemindaian pada angka tersebut akan mempengaruhi struktur dokumen, penulis memutuskan solusi diatas. Sebagai contoh, jika nomor 8 berhasil dipindai dan nomor 9 tidak berhasil, maka struktur akhir yang dihasilkan akan mengandung semua isi nomor 9 didalam nomor 8, yang mana seharusnya adalah nomor yang terpisah. Berikut berturut-turut adalah contoh data yang dihasilkan jika nomor 9 tidak berhasil terpindai dan jika berhasil terpindai.

Jika nomor 9 tidak berhasil terpindai:

- type: point
  key: 8
  text: >-
    Informasi ketenagakerjaan adalah gabungan, rangkaian, dan analisis data yang
    berbentuk angka yang telah diolah, naskah dan dokumen yang mempunyai arti,
    nilai dan makna tertentu mengenai ketenagakerjaan.
    9. Pelatihan kerja adalah keseluruhan kegiatan untuk memberi, memperoleh,
    meningkatkan, serta mengembangkan kompetensi kerja, produktivitas, disiplin,
    sikap, dan etos kerja pada tingkat keterampilan dan keahlian tertentu sesuai
    dengan jenjang dan kualifikasi jabatan atau pekerjaan.

Jika nomor 9 berhasil terpindai:

- type: point
  key: 8
  text: >-
    Informasi ketenagakerjaan adalah gabungan, rangkaian, dan analisis data yang
    berbentuk angka yang telah diolah, naskah dan dokumen yang mempunyai arti,
    nilai dan makna tertentu mengenai ketenagakerjaan.
- type: point
  key: 9
  text: >-
    Pelatihan kerja adalah keseluruhan kegiatan untuk memberi, memperoleh,
    meningkatkan, serta mengembangkan kompetensi kerja, produktivitas, disiplin,
    sikap, dan etos kerja pada tingkat keterampilan dan keahlian tertentu sesuai
    dengan jenjang dan kualifikasi jabatan atau pekerjaan.

Klasifikasi Dokumen

Pa

Pengelompokan span menjadi Komponen

Teks yang membentuk suatu komponen terdiri dari satu atau lebih span, sehingga daftar span yang didapatkan dari hasil ekstraksi berkas PDF harus dikelompokkan sehingga setiap kelompok merepresentasikan span yang terdapat pada suatu komponen. Pengelompokan dilakukan dengan mendeteksi span awal dan span akhir dari sebuah komponen. Karena daftar span hasil ekstraksi bersifat 1 dimensi, hal ini bisa dilakukan dengan melakukan iterasi pada setiap span, kemudian menandai awal atau akhir dari sebuah kelompok apabila memenuhi suatu pola. Setelah ditandai, span akan dikelompokkan sebagai daftar span dari suatu komponen.

Pengelompokan tidak langsund dilakukan dari daftar list menjadi daftar komponen, melainkan dibuat pengelompokan section untuk pembagian dokumen secara garis besar, kemudian baru dikelompokkan sebagai komponen dari masing-masing section tersebut. Pada gambar dibawah section ditandai dengan warna biru dan komponen ditandai dengan warna merah. Dapat dilihat bahwa daftar span data awal dikelompokkan menjadi beberapa section yaitu judul, metadata, babset, dan disahkan. Kemudian span pada section babset dikelompokkan menjadi komponen bab yaitu Bab 1, Bab 2, dan Bab 3. Kemudian span pada setiap komponen bab dikelompokkan menjadi komponen pasal. Pengelompokan bertingkat ini dilakukan agar fungsi untuk mendeteksi batas antara komponen tidak menjadi rumit.

Deteksi batas antara komponen atau section dilakukan dengan melihat data pada span seperti str, xL, xR, dan y. Pada gambar diatas, pola yang terdeteksi sebagai batas ditandai dengan huruf merah. Sebagai contoh, pada ekstraki paling kiri, dari daftar span asli menjadi section, dilakukan iterasi span dari atas dan akan dimasukkan ke dalam section judul sampai menemukan section yang diawali dengan kata Menimbang. Kemudian setiap span setelah span Menimbang tersebut akan dikelompokkan menjadi section metadata sampai menemukan section yang diawali kata BAB I.

Pengelompokan span pada Komponen Terurut

Beberapa komponen seperti bab, bagian, paragraf, pasal, angka, dan huruf memiliki sifat terurut. Dalam hal ini, yang termasuk terurut adalah:

Komponen yang mengawali suatu komponen terurut akan selalu sama.
Hanya terdapat satu komponen yang dapat mengikuti komponen terurut.

Contoh dari sifat pertama adalah bab, bagian, paragraf, pasal, angka pasti dimulai dari komponen nomor 1 seperti bab 1 dan pasal 1, dan huruf pasti dimulai dari komponen huruf a. Contoh dari sifat kedua adalah hanya pasal 2 yang dapat mengikuti pasal 1 dan hanya huruf b yang dapat mengikuti huruf a. Dalam implementasi, penulis memastikan sifat-sifat ini dipatuhi, sehingga sebagai contoh apabila sebuah dokumen terdeteksi mengandung bab 12 maka akan dijamin mengandung semua bab 1 sampai bab 11 dan apabila terdeteksi mengandung pasal 196 maka akan dijamin mengandung semua pasal dari pasal 1 sampai pasal 195.

Komponen Amandemen

Mengekstraksi span pada bagian amandemen merupakan salahsatu tantangan pada penelitian ini. Dibawah adalah gambar amandemen pada Pasal 17 UU Nomor 11 Tahun 2020 yang dilakukan terhadap Pasal 1 UU Nomor 26 Tahun 2007. Dapat dilihat bahwa kata Pasal 17 dan Pasal 1 yang digunakan sebagai pembatas antara komponen memiliki pola teks dan posisi yang hampir sama. Hal ini membuat pembedaan antara "Pasal biasa" dan "Pasal peng-amandemen" menjadi sulit dilakukan.

Untuk menyelesaikan masalah ini, penulis menggunakan koordinat xL span tepat setelah span yang bertuliskan "Pasal X". Pada contoh deteksi kompoonen amandemen di bawah, xL dari teks setelah pasal peng-amandemen (pasal biasa) ditandai dengan lingkaran merah, xL dari pasal yang diamandemen ditandai dengan lingkaran biru, dan garis hijau merepresentasikan batas pemeda xL antara pasal biasa dan pasal yang diamandemen. Pembedaan pasal biasa dan pasal amandemen hanya dilakukan jika dokumen memiliki komponen berupa amandemen.

Deteksi Sitasi

Setelah semua span dikelompokan menjadi suatu komponen, dilakukan deteksi sitasi pada teks pada setiap komponen untuk mengetahui apakah komponen tersebut menyebut komponen atau dokumen peraturan perundang-undangan lainnya. Berikut adalah daftar pola sitasi yang berhasil dideteksi pada penelitian ini.

Pola	Contoh teks	URI Terdeteksi
Undang Undang Dasar Negara Republik Indonesia Tahun 1945	Undang Undang Dasar Negara Republik Indonesia Tahun 1945	/uud/
Undang-Undang Nomor {x} Tahun {y}	Undang-Undang Nomor 26 Tahun 2007	/uu/2007/26
ayat ({x})	ayat (1)	/uu/2003/13/pasal/169/ayat/1
Pasal {x}	Pasal 156	/uu/2003/13/pasal/156
Pasal {x} ayat ({y})	Pasal 156 ayat (2)	/uu/2003/13/pasal/156/ayat/2
huruf {x}, {y}, ... dan {z}	huruf a, b, c, d, dan e	/uu/2003/13/menimbang/point/a
		/uu/2003/13/menimbang/point/b
		/uu/2003/13/menimbang/point/c
		/uu/2003/13/menimbang/point/d
		/uu/2003/13/menimbang/point/e
huruf {x} dan {y}	huruf a dan b	/uu/2003/13/pasal/1/point/5/point/a
		/uu/2003/13/pasal/1/point/5/point/b

Data sitasi mengandung data sebagai berikut:

start: index karakter awal sitasi
end: index karakter akhir sitasi
uri: URI dokumen dan

Berikut adalah contoh teks pada Undang-Undang Nomor 13 Tahun 2003 Pasal 158 Ayat (4) beserta sitasi yang terdeteksi.

textString: >-
  Pekerja/buruh yang diputus hubungan kerjanya berdasarkan alasan sebagaimana
  dimaksud dalam ayat (1), dapat memperoleh uang penggantian hak sebagaimana
  dimaksud dalam Pasal 156 ayat (4).
references:
  - start: 91
    end: 99
    uri: /uu/2003/13/pasal/158/ayat/1
  - start: 166
    end: 184
    uri: /uu/2003/13/pasal/156/ayat/4

Untuk melakukan deteksi, teks akan melalui fungsi yang masing-masing memiliki pola untuk dideteksi. Oleh karena itu, untuk substring yang beririsan dapat memiliki lebih dari dua sitasi yang terdeteksi. Pada kasus tersebut akan diambil sitasi dengan substring terpanjang. Sebagai contoh, teks "Pasal 156 Ayat (4)" pada UU No.13 Tahun 2003 Pasal 158 Ayat (4) akan terdeteksi sebagai 3 URI sitasi sebagai berikut.

Teks	URI
Pasal 156 Ayat (4)	`/uu/2003/13/pasal/156/ayat/4`
Pasal 156	`/uu/2003/13/pasal/156`
Ayat (4)	`/uu/2003/13/pasal/158/ayat/4`

Pada kasus ini, yang akan diambil adalah teks "Pasal 156 ayat (4)" karena merupakan teks terpanjang.

Data To MD

visualization

Data to triple

triple definition

triple to ttl

Query

Fuseki

BAB 5 EVALUASI DAN ANALISIS HASIL

Aplikasi Knowledge Graph Peraturan Perundang-undangan

Dibuat chatbot untuk mensimulasikan pengaplikasian KG. Chatbot akan memproses input yand diberikan oleh user, kemudian meng-generate SPARQL query. Chatbot akan menampilkan hasil dari query tersebut.

Evaluasi Hasil Konversi

Evaluasi akan dilakukan terhadap semua dokumen yang terdapat pada peraturan.go.id. Selanjutnya dokumen-dokumen ini akan disebut dokument tes.

Evaluasi Manual

Evaluasi kualitatif dilakukan terhadap sebagian dokumen yang didapatkan dari hasil sam- pling dari dokumen tes. Seorang penilai akan melihat markdown dari setiap dokumen hasil sampling, masing-masing dokumen akan diberikan skor 0 sampai 100. Kualitas konversi dapat dilihat dari rata-rata skor tersebut.

Evaluasi Otomatis

Evaluasi dilakukan dengan terlebih dahulu mendefinisikan metadata yang pasti terdapat pada sebuah dokumen (misal, tempat dokumen disahkan), kemudian menghitung sebera pa banyak metadata yang berhasil diekstrak. Metadata hasil ekstraksi yang akan dihitung tidak perlu sesuai dengan yang terdapat di dalam dokumen.

[6]: https://op.europa.eu/en/publication-detail/-/publication/514875b4-5efd-11e8-ab9c-01aa75ed71a 1

Name		Name	Last commit message	Last commit date
Latest commit History 2 Commits
.vscode		.vscode
example_queries		example_queries
fuseki		fuseki
maintained_documents		maintained_documents
paper		paper
src		src
unclassified_pdf		unclassified_pdf
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
converted_docs.csv		converted_docs.csv
legal-config.example.json		legal-config.example.json
package.json		package.json
query-list_rev04.txt		query-list_rev04.txt
query_result.md		query_result.md
query_result.tex		query_result.tex
setup.sh		setup.sh
tesseract-config.cfg		tesseract-config.cfg
tsconfig.json		tsconfig.json
uuri_mini.ttl		uuri_mini.ttl

License

aabccd021/legal-kg

Folders and files

Latest commit

History

Repository files navigation

AUTOMASI PEMBUATAN KNOWLEDGE GRAPH UNTUK PERATURAN PERUNDANG-UNDANGAN DI INDONESIA

BAB 1 PENDAHULUAN

Latar Belakang

Permasalahan

Batasan Permasalahan

Sistematika Penulisan

BAB 2 TINJAUAN PUSTAKA

Knowledge Graph

Resource Description Framework

SPARQL

Contoh Query 1

Contoh Query 2

Contoh Query 3

Peraturan Perundang-undangan

Pemodelan European Legislation Identifier (ELI)

BAB 3 METODOLOGI

BAB 4 RANCANGAN

Perancangan URI

Perancangan URI Class

Perancangan URI Komponen Peraturan Perundang-undangan

Perancangan URI Properti

BAB 5 IMPLEMENTASI

OCR Ulang Berkas PDF

Ekstraksi Berkas PDF menjadi Data Span

Data Span

Membersihkan Noise dari Halaman

Penggabungan Data Berkas PDF Asli dan Hasil OCR Ulang

Klasifikasi Dokumen

Pengelompokan span menjadi Komponen

Pengelompokan span pada Komponen Terurut

Komponen Amandemen

Deteksi Sitasi

Data To MD

Data to triple

triple definition

triple to ttl

Query

BAB 5 EVALUASI DAN ANALISIS HASIL

Aplikasi Knowledge Graph Peraturan Perundang-undangan

Evaluasi Hasil Konversi

Evaluasi Manual

Evaluasi Otomatis

About

Resources

License

Stars

Watchers

Forks

Releases

Packages 0

Contributors 2

Languages

Packages