Pembelajaran Interaktif AI

Natural Language Processing

Pilih materi yang ingin Anda pelajari dari koleksi modul pembelajaran NLP di bawah ini

💡 Tips: Mulai dari Modul 1 untuk pemahaman dasar

Klik kartu materi di atas untuk memulai pembelajaran

Modul 1

Apa itu Natural Language Processing?

Natural Language Processing (NLP) adalah cabang dari Artificial Intelligence yang memungkinkan komputer untuk memahami, menginterpretasi, dan memanipulasi bahasa manusia.

Definisi Sederhana

NLP adalah teknologi yang membantu mesin "membaca" dan "memahami" bahasa manusia seperti Bahasa Indonesia atau Inggris.

Tujuan Utama

Menjembatani komunikasi antara manusia dan komputer menggunakan bahasa sehari-hari, bukan kode pemrograman.

📱 Contoh Aplikasi NLP dalam Kehidupan Sehari-hari

🤖

Chatbot & Asisten Virtual

Siri, Google Assistant, ChatGPT

🌐

Penerjemah Otomatis

Google Translate, DeepL

📧

Filter Spam Email

Gmail, Outlook

🔍

Mesin Pencari

Google Search, Bing

📝

Autocorrect & Autocomplete

Keyboard smartphone

💬

Analisis Sentimen

Review produk, media sosial

🎮 Demo Interaktif: Deteksi Bahasa

Ketik kalimat dalam bahasa apapun, dan NLP sederhana ini akan mencoba mendeteksi bahasanya!

Modul 2

Key Terms in NLP

Istilah-istilah penting yang perlu dipahami dalam Natural Language Processing.

📝

Token

Unit terkecil dari teks yang diproses. Bisa berupa kata, sub-kata, atau karakter.

Contoh:

"Saya belajar NLP" → ["Saya", "belajar", "NLP"]

📚

Corpus (Korpora)

Kumpulan besar teks yang digunakan untuk melatih model NLP.

Contoh:

Wikipedia Indonesia, kumpulan berita, novel digital

🏷️

Part-of-Speech (POS) Tagging

Proses menandai setiap kata dengan kelas katanya (noun, verb, adjective, dll).

Contoh:

"Kucing(NOUN) hitam(ADJ) berlari(VERB) cepat(ADV)"

🎯

Named Entity Recognition (NER)

Mengidentifikasi dan mengklasifikasikan entitas bernama seperti nama orang, lokasi, organisasi.

Contoh:

"[Joko Widodo](PERSON) berkunjung ke [Jakarta](LOCATION)"

🧮

Word Embedding

Representasi kata dalam bentuk vektor numerik yang menangkap makna semantik.

Contoh:

"raja" - "pria" + "wanita" ≈ "ratu"

🌱

Stemming & Lemmatization

Proses mengubah kata ke bentuk dasarnya untuk normalisasi teks.

Contoh:

"berlari", "berlarian", "lari-lari" → "lari"

🎮 Quiz: Cocokkan Istilah!

Token

Corpus

Word Embedding

Modul 3

Techniques in NLP

Berbagai teknik yang digunakan dalam pemrosesan bahasa alami.

✂️

Tokenization

Memecah teks menjadi unit-unit kecil (token) untuk diproses.

"Halo dunia!" → ["Halo", "dunia", "!"]

🔤

Text Normalization

Membersihkan dan menyeragamkan teks (lowercase, hapus tanda baca, dll).

"HALO!!!" → "halo"

🚫

Stop Words Removal

Menghapus kata-kata umum yang tidak membawa makna penting.

"saya pergi ke pasar" → "pergi pasar"

📊

TF-IDF

Term Frequency-Inverse Document Frequency untuk menilai pentingnya kata.

Kata unik = skor tinggi

😊

Sentiment Analysis

Menganalisis emosi atau sentimen dari teks (positif/negatif/netral).

"Film ini bagus!" → Positif ✓

🏷️

Text Classification

Mengkategorikan teks ke dalam kelas-kelas yang telah ditentukan.

Email → Spam / Bukan Spam

🎮 Demo: Text Processing Pipeline

Lihat bagaimana teks diproses melalui berbagai tahapan!

Original:

-

Tokenization:

-

Lowercase:

-

Stop Words Removed:

-

Modul 4

Steps in NLP

Langkah-langkah dalam membangun sistem NLP dari awal hingga akhir.

1

📥 Data Collection

Mengumpulkan data teks dari berbagai sumber seperti website, dokumen, atau API.

Contoh: Scraping review produk, mengunduh dataset publik

2

🧹 Data Preprocessing

Membersihkan dan menyiapkan data: hapus noise, normalisasi, tokenisasi.

Contoh: Hapus HTML tags, lowercase, remove punctuation

3

🔧 Feature Extraction

Mengubah teks menjadi fitur numerik yang bisa diproses model.

Contoh: Bag of Words, TF-IDF, Word Embeddings

4

Model Training

Melatih model machine learning atau deep learning dengan data yang sudah disiapkan.

Contoh: Naive Bayes, LSTM, Transformer, BERT

5

📊 Evaluation

Mengevaluasi performa model menggunakan metrik seperti accuracy, precision, recall.

Contoh: Confusion Matrix, F1-Score, BLEU Score

6

🚀 Deployment

Menerapkan model ke dalam aplikasi nyata untuk digunakan pengguna.

Contoh: REST API, Chatbot, Mobile App Integration

Modul 5

Components of NLP

NLP terdiri dari dua komponen utama: NLU dan NLG.

🧠

NLU

Natural Language Understanding

Kemampuan mesin untuk memahami dan menginterpretasi bahasa manusia.

Tugas NLU:

Intent Recognition (mengenali maksud)
•Entity Extraction (ekstrak entitas)
•Sentiment Analysis (analisis sentimen)
•Semantic Parsing (parsing semantik)

💬

NLG

Natural Language Generation

Kemampuan mesin untuk menghasilkan teks bahasa manusia yang natural.

Tugas NLG:

•Text Generation (pembuatan teks)
•Summarization (ringkasan)
•Machine Translation (terjemahan)
•Dialogue Systems (sistem dialog)

Alur NLP: Input → Processing → Output

👤

User Input

"Cuaca hari ini"

→

🧠

NLU

Pahami maksud

→

⚙️

Processing

Ambil data

→

💬

NLG

Buat respons

→

Output

"Cerah, 28°C"

Modul 6

Natural Language Generation (NLG)

Teknologi yang memungkinkan komputer menghasilkan teks seperti manusia.

🎯 Tujuan NLG

✓Mengubah data terstruktur menjadi teks naratif
✓Membuat konten secara otomatis
✓Menghasilkan respons dialog yang natural
✓Menerjemahkan antar bahasa

⚙️ Tahapan NLG

1Content Determination
2Document Structuring
3Sentence Aggregation
4Lexicalization
5Realization

🎮 Demo: Generator Kalimat Sederhana

Pilih komponen untuk menghasilkan kalimat!

Subjek

Kata Kerja

Objek

Waktu

Klik tombol untuk menghasilkan kalimat...

Modul 7

Challenges in NLP

Tantangan-tantangan yang dihadapi dalam pengembangan sistem NLP.

🔄

Ambiguitas (Ambiguity)

Kata atau kalimat bisa memiliki lebih dari satu makna tergantung konteks.

"Bisa ular" → Bisa (racun) atau Bisa (mampu)?

"Bank" → Bank (keuangan) atau Bank (tepi sungai)?

😏

Sarkasme & Ironi

Sulit mendeteksi ketika orang berkata sebaliknya dari yang dimaksud.

"Wah, bagus sekali nilainya!" (padahal jelek)

🗣️

Bahasa Gaul & Slang

Bahasa informal dan slang terus berevolusi dan sulit diikuti model.

"Mantul", "Gercep", "Santuy", "FOMO"

🌍

Keragaman Bahasa

Ribuan bahasa dan dialek di dunia dengan aturan berbeda-beda.

Indonesia: 700+ bahasa daerah

📚

Konteks & Common Sense

Mesin kesulitan memahami konteks dan pengetahuan umum yang manusia pahami secara alami.

"Dia memasukkan gajah ke kulkas" → Manusia tahu ini tidak mungkin

📝

Typo & Kesalahan Penulisan

Teks dari user sering mengandung kesalahan ketik yang harus ditangani.

"sya mw bljar NLP" → "saya mau belajar NLP"

🎮 Demo: Deteksi Ambiguitas

Coba masukkan kalimat ambigu dan lihat kemungkinan interpretasinya!

Lab Praktikum

Simulasi NLP Interaktif

Coba berbagai fitur NLP secara langsung!

✂ Tokenizer

Pecah kalimat menjadi token-token individual.

Hasil tokenisasi akan muncul di sini...

Pembelajaran Interaktif AI

Natural Language Processing

Apa itu NLP?

Key Terms

Techniques

Steps in NLP

Components

NLG

Challenges

Simulasi

Apa itu Natural Language Processing?

Definisi Sederhana

Tujuan Utama

📱 Contoh Aplikasi NLP dalam Kehidupan Sehari-hari

Chatbot & Asisten Virtual

Penerjemah Otomatis

Filter Spam Email

Mesin Pencari

Autocorrect & Autocomplete

Analisis Sentimen

🎮 Demo Interaktif: Deteksi Bahasa

Key Terms in NLP

Token

Corpus (Korpora)

Part-of-Speech (POS) Tagging

Named Entity Recognition (NER)

Word Embedding

Stemming & Lemmatization

🎮 Quiz: Cocokkan Istilah!

Techniques in NLP

Tokenization

Text Normalization

Stop Words Removal

TF-IDF

Sentiment Analysis

Text Classification

🎮 Demo: Text Processing Pipeline

Steps in NLP

📥 Data Collection

🧹 Data Preprocessing

🔧 Feature Extraction

Model Training

📊 Evaluation

🚀 Deployment

Components of NLP

NLU

Tugas NLU:

NLG

Tugas NLG:

Alur NLP: Input → Processing → Output

Natural Language Generation (NLG)

🎯 Tujuan NLG

⚙️ Tahapan NLG

🎮 Demo: Generator Kalimat Sederhana

Challenges in NLP

Ambiguitas (Ambiguity)

Sarkasme & Ironi

Bahasa Gaul & Slang

Keragaman Bahasa

Konteks & Common Sense

Typo & Kesalahan Penulisan

🎮 Demo: Deteksi Ambiguitas

Simulasi NLP Interaktif

✂ Tokenizer

😊 Sentiment Analysis

🏷️ Named Entity Recognition

📊 Word Counter & Statistics