<![CDATA[ABSTRAK Penelitian ini dilatarbelakangi oleh perkembangan Natural Language Processing (NLP) yang memungkinkan analisis bahasa dilakukan secara otomatis, termasuk pada bahasa Arab yang memiliki karakteristik morfologis dan sintaktis yang kompleks. Penelitian ini bertujuan untuk menganalisis distribusi kategori kata pada teks naratif bahasa Arab menggunakan teknik Part-of-Speech Tagging (POS Tagging) berbantuan Camel Tools. Metode yang digunakan adalah penelitian deskriptif kuantitatif dengan objek penelitian berupa lima teks naratif dari buku Muthala’ah KMI Gontor, yaitu الحريق , الصبي والفيل , الشر بالشر , الأسد والفأر , dan الراعي والذئب. Data diperoleh melalui proses pelabelan kategori kata menggunakan fitur POS Tagging pada Camel Tools, kemudian dikelompokkan ke dalam kategori isim, fi‘il, dan harf. Hasil penelitian menunjukkan bahwa dari total 408 kata yang dianalisis, kategori isim merupakan kategori yang paling dominan dengan frekuensi 192 kata (47,06%), diikuti kategori fi‘il sebanyak 126 kata (30,88%), dan kategori harf sebanyak 90 kata (22,06%). Temuan ini menunjukkan bahwa teks naratif bahasa Arab cenderung didominasi oleh penggunaan isim sebagai unsur utama dalam penyebutan tokoh, benda, tempat, dan konsep yang mendukung alur cerita. Penelitian ini membuktikan bahwa POS Tagging berbasis NLP dapat digunakan secara efektif untuk mengidentifikasi karakteristik kategori kata dalam teks bahasa Arab serta mendukung kajian linguistik komputasional dan pembelajaran bahasa Arab berbasis teknologi. ABSTRACT This study was motivated by the development of Natural Language Processing (NLP), which enables automatic language analysis, including Arabic, a language characterized by complex morphological and syntactic structures. The aim of this study is to analyze the distribution of word categories in Arabic narrative texts using the Part-of-Speech Tagging (POS Tagging) technique assisted by Camel Tools. The research employed a quantitative descriptive method with five narrative texts from the Muthala’ah KMI Gontor textbook as the research corpus, namely الحريق, الصبي والفيل, الشر بالشر, الأسد والفأر, and الراعي والذئب. Data were obtained through the POS Tagging feature in Camel Tools and subsequently classified into three major Arabic word categories: isim (noun), fi‘il (verb), and harf (particle). The results revealed that out of 408 analyzed words, isim was the most dominant category with 192 occurrences (47.06%), followed by fi‘il with 126 occurrences (30.88%) and harf with 90 occurrences (22.06%). These findings indicate that Arabic narrative texts tend to be dominated by nouns, which function to introduce characters, objects, places, and concepts that support the storyline. This study demonstrates that NLP-based POS Tagging can be effectively utilized to identify word-category characteristics in Arabic texts and contribute to computational linguistic studies as well as technology-assisted Arabic language learning.]]>
Copyrights © 2026
