Tugas MPD Kelompok 6 by Rafly Imanuel Keo

raflyboboboy90 — 2024-03-06 14:24:53 UTC

Nama Anggota Kelompok:

1. Eno Restu Bagus Permadi

2. Lintang Syalwa Setiani

3. Rafly Imanuel Keo

4. Raka Davie Pratama

5. Refani Febri Wulandari

raflyboboboy90 — 2024-03-06 14:53:02 UTC

BAHASA ALAMI

(NATURAL LANGUAGE)

raflyboboboy90 — 2024-03-06 14:55:39 UTC

B. Jenis NLP

raflyboboboy90 — 2024-03-06 14:57:31 UTC

Berdasarkan tujuannya, NLP dapat dibagi menjadi dua, yaitu Natural Language Understanding (NLU) dan natural language generation (NLG). Sebagian besar metode machine learning atau data mining, seperti proses klasifikasi teks, analisis topik, analisis sentimen, dan sebagainya termasuk ke dalam NLU. Terdapat berbagai macam pendekatan dari NLU untuk mela- kukan analisis topik dari sebuah dokumen, seperti Latent Dirichlet Allocation (LDA), Latent Semantic Indexing (LSI), Pachinko Allocation Machine (PAM), dan sebagainya.

Penjelasan:

raflyboboboy90 — 2024-03-07 14:59:26 UTC

raflyboboboy90 — 2024-03-07 15:00:37 UTC

NLP adalah satu catu cabang kecerdasan buatan yang fokus pada proses memahami dan menginterpretasi bahasa manusia. NLP juga meliputi proses memahami dan menginterpretasi teks dan percakapan.

Apakah Anda pernah menggunakan layanan pencarian Google meng- gunakan bantuan fitur suara? Atau pernahkah Anda bermain dengan fitur siri pada perangkat cerdas iPhone? Bagaimana dengan layanan Google Translate (Translate by voice) dan Google Documents menggunakan fitur suara (Gambar 19)?

Semua layanan tersebut memanfaatkan bantuan algoritme NLP. Kini, nilai pasar dari layanan berbasis NLP dapat mencapai miliar, bahkan triliunan rupiah. Hal ini dikarenakan layanan NLP banyak digunakan dalam layanan pelanggan, asisten virtual pribadi, layanan kesehatan, layanan keuangan, dan sebagainya.

NLP juga banyak dimanfaatkan untuk memahami konten dan sentimen dari data media sosial seperti Twitter, komentar pada platform You Tube, ulasan pengguna di Android Palystore, maupun ulasan pelanggan di marketplace seperti Tokopedia dan Bukalapak.

raflyboboboy90 — 2024-03-07 15:07:26 UTC

Kesimpulan dari materi Natural Language Processing adalah bahwa teknologi ini memungkinkan komputer untuk memahami, menganalisis, dan menghasilkan bahasa manusia secara efisien. Ini membuka pintu untuk berbagai aplikasi, termasuk terjemahan otomatis, analisis sentimen, dan pemrosesan teks yang lebih canggih. Dengan terus berkembangnya teknologi ini, potensi untuk interaksi antara manusia dan komputer semakin meningkat.

A. Analisis Kata dan Sentimen:

raflyboboboy90 — 2024-03-07 15:10:13 UTC

C. Kelebihan dan Kekurangan:

raflyboboboy90 — 2024-03-07 15:11:16 UTC

raflyboboboy90 — 2024-03-08 14:22:55 UTC

Analisis kata dan sentimen merupakan salah satu aplikasi dari algoritme NLP.

Analisis kata dan sentimen menggunakan algoritme NLP untuk memahami ulasan pelanggan tentang produk atau layanan. Jika kita memiliki beberapa atau puluhan ulasan dan komentar, maka kita dapat dengan mudah memahaminya tanpa memerlukan bantuan komputer. Implementasi NLP akan menjadi jawabannya. Karena dengan me- manfaatkan NLP kita akan dapat dengan mudah mengetahui hasilnya, apakah ulasan dan komentar tersebut dominan negatif, positif, atau netral.

Kemudian, kita dapat mengulangi analisis yang sama untuk periode yang berbeda. Apakah ditemukan ulasan dan komentar yang berubah menjadi lebih baik setelah sebelumnya negatif, atau apakah tidak terjadi perubahan apa pun meskipun perbaikan layanan jasa atau produk telah dilakukan.

Ini membantu dalam memantau perubahan dalam sentimen dari waktu ke waktu.

raflyboboboy90 — 2024-03-10 12:32:44 UTC

KELEBIHAN:

•Klasifikasi dan pengelompokan

•Selain lebih murah, implementasi NLP juga lebih cepat dari sisi waktu

•alat yang sangat berguna dalam mengolah dan memahami informasi yang disampaikan dalam bentuk bahasa manusia.

•Kemampuan pemrosesan bahasa alami

•memudahkan para pengguna dalam mencari informasi yang dibutuhkan tanpa harus menerjemahkan instruksi ke dalam bahasa pemrograman

KELEMAHAN:

•Tidak memberi jawaban yang sesuai jika terdapat banyak kata yang ambigu

•Ketergantungan pada data

•Kesulitan dengan variasi bahasa

•Biaya awal memerlukan budget yang lumayan besar

•Akurasi terbatas