RENCANA PEMBELAJARAN SEMESTER

(1)

PEMBELAJARAN

2019

UNIVERSITAS DIAN NUSWANTORO

RENCANA

Jl. Imam Bonjol 205 – 207 Gedung G lt. 2 Semarang Telp (024) 3547038 , (024) 70793727

SEMESTER

PRODI MAGISTER

TEKNIK INFORMATIKA

NATURAL LANGUAGE

PROCESSING

(2)

,i

oC6E

:=CJ

C,(!Lro(J4)

6

(c{!c6E(!)E(oL

GEgo:-boooE-:la) .@ao_oc(o3-c6qJb!E{.,acGYfE6-oqJ=€JEoOJbDc(]E

i

6E

'i

cUE

6

!E^.:Z(I.lz3E0.,()Ecib0C5CE

i

(o-:4(o'6Ca)Ef

o

E(tr EoY_C₆_E_0l

6

oaosojoEc6E6ooGcc.9

=

6OJJ_C6

p

-o_C₆₆_OJJ(JG(o_o(sBGc6OJo(oJ,qc6"vf

:

(uL5'ooo--c(66_(o_Ec660Jc(ox_G₅_ELoEa)E=o-EGEG()CqG!EE66o0lf-oOJC,)cJ-c6clo.0Co)o.o!CG

3

_oEoo f,:fsJCro'ooG-o.9

'-

oOJAJEoCG-o_E_f_E3(o([Ia)r!F_E_C_a₃_Eov.Ec6=-C6OJoacoo

=

-o.@.tLo_c)Cov'66:luoc(J 0lUoo-_AJ_bo_(s=u0C(o

)

E₌G

z

oo-G(oo!c6IoBOJE'66f0lCq)EcG'If,c(gjC-oE'66JCCJEfo.E(I gC.(o_CJrlE

5

₆_un_a_o)E65OJb,E(o(!.o_(o_E₃ECEfttll6OJ=(.)EUg6g1=()o.Eo.,EcIcc6:f-co

s

(EEo,c_.Ef,6oC6c6E(]ooCoo-YqiEoE66?FGo.cco^.q6EGJ.q.F.;.t3b!C6=.FC0,o-C6Lo(,,E=E(o

;

J:JC6EffE^_o'iEc6EG'=aCcGYv.=c:fc(,)Efo.E6 .:,6

;

{oLG6EC(E't

*

E€lGv_G_(o_G_E_GEov.g-(,oE'=_(gOJEfgcE(o'a6.E5EbICc,E (uLc).E_o,_(ugs(oc;(UCLGGEL6.,&CE-o=G,boc3ooODtqc,-(:_L_I_dJJE'6₄₎_E_OD_lg_C_(E.EdJ

=

^-.c^'15c(.)Ef,oE(! .E

tr

.q

p

g3E6Ee:0E_c)

;

(g6Y(JE{Jo.'=₆EEc6Yo!CG-oEOJE c(o

:

CJCo-(ECJa6

-

^E⁶^(oocG:3oo_EoE(o:o(!C(o.€

6

coo-qJ-oE(E(]Ehoc6C163

5

(]Jo!Co-o

5

'663EOJ

=

uocq)E

-

^E^G

=

6-c_(g-:4LG'-oLo-o_(oc,9.C(E{,b!cG-o

5

-c(o

6

(oEc.9(EgOJcdJo_{,ogEE6aCJfE6uq)a(E

-.

eGOo0)-c_C⁼⁶-o :o

l6(G(Eor, trC-

or-

E(i:LC

='I

=6F:6(t

>E

L0,.E

E

.3=

v

=El(o.5 '=G(.iE(oF(EEo

;

6JaEo\z_f_Eooc(oEE

s

(oE'f,ooo^-:za)(!Ec'6_(oE6GoEq)o_c(o(sIJE0.)EC(ufaE(!Eo,-v=.E_6J

:

.:Z6Eou=o-E^JE

=

E5E'aC'C(}"'6C

'-

o.o-oC65E

=

c.)vEloh!{3-oE(.}o!Cc.}eE{E-cG-of, ,=(o'o'6fECJ(€ro_(o2_(u_o-Eo(aL-oofE{)0.1oEoJf

s

6Eo,(6E'acG,E(o(gE{,(}.c{oEc(!3(oc.)ODC€.}o_'6f,o-Ec, d,u.tFvttr.tUJq

z

E

3

lrlcoEgJa-

z

()

z

UJE Eov

j

⁰dc

-

fj(]

EE(!

EOoo-

3

t!

= EoYa.dc

-

f

jo

o-(J

go

(E

s

o.oEoCLg.g|!a{oIJ

)

Z

f/f,*aar*i' Nth

I

6

(9

zo

]-JZ. lt

S,aS EE= P?E ur<E

CLE6-

o

&,

o

F

z 3

thJ

z z <e, 6H

lrt J

<a-

F=

B9 ur- >= z>

(ocJcoo-EUIDItrGF or{

o

N6oa T'tnEIEUIo^EL(o0,

E

PthE(t

bIoo-CttL.(o!o

Eo,o-c.g(!o(E(J -c.g

)

^(t^G^c^(!^.g

^s

^@ÊÔJô.^G(!or!U @P(,ECJttaul{h (Yl

=G,oP(!g

ooY

(Y!

.gl!

(EE

d t)o-&bItr(oEc,q

aio-

ooo

o)1'o o$o(ao- oodo- G!'l:f Nf an

)

Y. <-fv. LN:)v \Z:l N\z 1r)\Z

(E(!

(o 0)uo(t3hlh0tr(uqJO-gruOLL50_(E

z

(!oo

(3)

M1 Mahasiswa memahami konsep dan model NLP

M2 Mahasiswa memahami algoritma kecerdasan buatan dan NLP yang diperlukan pada pengembangan model Natural Language Processing

M3 Mahasiswa memahami arah terbaru penelitian NLP

M4 Mahasiswa mampu melakukan penelitian pada bidang sistem Natural Language processing Deskripsi Singkat

Mata Kuliah Matakuliah ini mempelajari kasus-kasus dan penyelesaian kasus dengan metode-metode yang ada pada Natural Language Processing.

Materi Pembelajaran/

Pokok Bahasan

1. Pengenalan natural language processing

2. Memahami tentang konsep bahasa dan operasi dalam bahasa

3. Memahami finite state automata (FSA), regular expression dan menggunakannya untuk menemukan pola 4. Memahami tentang aspek morfologi dan membuat morphological parser sederhana

5. Minimum Edit Distance 6. Language Model (N-Gram) 7. Part of Speech Tagging 8. Hidden Markov Model 9. Klasifikasi Teks 10. Clustering Teks 11. Ekstraksi Informasi 12. Syntactic Parser

13. Question-Answering System 14. Neural Network untuk NLP

15. Speech Processing (Speech To Text dan Text To Speech)

Pustaka

Utama :

1. An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, by Daniel Jurafsky and James H. Martin

Pendukung :

2. Suanmali et al, Fuzzy Logic Based Method for Improving Text Summarization

3. Ju Hong Lee et al, Automatic generic document summarization based on non-negative matrix factorization 4. Gleb Sizov, Extraction-Based Automatic Summarization

5. Chen et al, Turning from TF-IDF to TF-IGM for term weighting in text classification, 2016

Media Pembelajaran Perangkat Lunak : Perangkat Keras :

Python GUI, Weka, Orange Laptop, Proyektor

Tim Teaching Dr. Muljono, S.Si, M.Kom Mata Kuliah Syarat

(4)

Mgg ke

Sub CP MK (sebagai kemampuan

akhir yang diharapkan) Indikator Kriteria & Bentuk Penilaian

Metode Pembelajaran [Estimasi Waktu]

Pengalaman Belajar Materi pembelajaran Bobot Penilaian

(1) (2) (3) (4) (5) (6) (7)

1 Mahasiswa mampu menjelaskan konsep natural language processing dan penerapannya

Ketepatan dalam menjelaskan konsep, penggunaan serta penerapan sistem temu kembali informasi

Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

• Kuliah & Diskusi [TM:3x50’]

a. Pengertian natural language processing

b. Contoh penerapan aplikasi natural language processing

2 Mahasiswa mampu memahami konsep bahasa dan operasi dalam bahasa

Ketepatan dalam menjelaskan konsep bahasa dan operasi dalam bahasa

• Kuliah & Diskusi

[TM:3x50’] a. Konsep bahasa: abjad,

string(kata), frasa, kalimat dan bahasa

b. Operasi dalam bahasa

(concatenation, segmentation dan exponential)

3 Mahasiswa mampu memahami finite state automata (FSA), regular expression dan

menggunakannya untuk menemukan pola

Ketepatan dalam menjelaskan finite state automata (FSA), regular expression dan menggunakannya untuk menemukan pola

• Tugas-1: pemberian soal latihan terkait Regex

a. FSA b. Regex c. Notasi regex

d. Pola-pola regex yang umum digunakan

4 Mahasiswa mampu memahami konsep morfologi dan minimum edit distance

Ketepatan dalam menjelaskan morfologi dan minimum edit distance

[TM:3x50’] a. FSA (Fine State Automata) b. Morphological parser

c. Konsep minimum edit distance.

d. Teknik menghitung minimum edit distance dengan Levenshtein Distance

5 Mahasiswa mampu menjelaskan Language Model (N-Gram)

Ketepatan dalam menjelaskan

Language Model (N-Gram) Kriteria : Ketepatan dan penguasaan

[TM:3x50’] a. Konsep languange model dan manfaatnya.

b. N-Gram

(5)

Mgg ke

(1) (2) (3) (4) (5) (6) (7)

Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

c. Probabilistic language model

6 Mahasiswa mampu menjelaskan konsep Part of Speech Tagging

Ketepatan dalam menjelaskan pengertian dan penerapan Part of Speech Tagging

[TM:3x50’] a. Konsep dan manfaat POS Tag b. Teknik untuk mendapatkan POS-

TAG

7 Mahasiswa mampu menjelaskan konsep algortima Hidden Markov Model

Ketepatan dalam menjelaskan pengertian dan penerapan algortima Hidden Markov Model

[TM:3x50’] a. Konsep dan teknik HMM b. HMM untuk POS-Tag

c. HMM untuk memprediksi kata.

8 Mahasiswa mampu menjelaskan konsep klasifikasi teks

klasifikasi teks Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

[TM:3x50’] a. Konsep dan manfaat klasifikasi.

b. Pembobotan kata

c. Contoh satu teknik klasifikasi:

naive bayes.

9 Mahasiswa mampu menjelaskan konsep clustering teks

clustering teks Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab

[TM:3x50’] a. Konsep dan manfaat clustering.

b. Pembobotan kata

c. Contoh satu teknik clustering: k- means.

(6)

Mgg ke

(1) (2) (3) (4) (5) (6) (7)

pemahaman mahasiswa 10 Mahasiswa mampu

menjelaskan konsep ekstraksi informasi

ekstraksi informasi Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

[TM:3x50’] a. Konsep dan manfaat esktraksi informasi.

b. Teknik ekstraksi informasi c. Named Entity Recognition

11 Mahasiswa mampu menjelaskan konsep syntactic parser

syntactic parser Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

•

a. Konsep dan manfaat syntatic parser.

b. CFG (Context Free Grammar) dan PCFG

c. CKY Parsing

12 Mahasiswa mampu menjelaskan konsep Question-Answering System

Question-Answering System Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

•

a. Konsep dan manfaat QA System.

b. Tahapan dam teknik pengembangan QA System

13 Mahasiswa mampu menjelaskan konsep Neural Network untuk NLP

Neural Network untuk NLP Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

•

a. Pengenalan neural network dan deep learning.

b. Pemanfaatan NN untuk NLP

(7)

Mgg ke

(1) (2) (3) (4) (5) (6) (7)

14 Mahasiswa mampu menjelaskan konsep Speech Processing

Speech Processing Kriteria : Ketepatan dan penguasaan Bentuk non test : Melakukan tanya jawab pemahaman mahasiswa

[TM:3x50’] a. Speech To Text b. Text To Speech

15 Pengumpulan Tugas (Proyek Akhir)

Catatan :

[1]. TM : tatap Muka

[2]. [TM:3x50’] : Kuliah tatap muka 1 kali (minggu) x 3 sks x 50 menit=150 menit

[3]. RPS: Rencana Pembelajaran Semester, RMK: Rumpun Mata Kuliah, Prodi: Program Studi

(8)

FM-UDINUS-BM-04-16/R0

PROGRAM MAGISTER TEKNIK INFORMATIKA

UNIVERSITAS DIAN NUSWANTORO

Jl. Imam Bonjol No. 207 Semarang 50131, Telp. (024) 70793727, Telp./Fax. (024) 3547038 Homepage: www.dinus.ac.id e-mail: sekretariat@pps.dinus.ac.id

Mata Kuliah : Natural Language Processing Sifat : Close Book Hari, Tanggal : Kamis, 27 Juli 2018 Waktu : 19.00 – 21.00

Kelompok : XXXI Dosen : Dr. Muljono, S.Si, M.Kom.

UJIAN AKHIR SEMESTER GENAP TAHUN 2016/2017 LEMBAR SOAL

1. Soal Analisis Semantik :

Pertimbangkan matriks co-occurrence berikut ini untuk vocabulary 6 kata yaitu coffee, tea, beans, bubble, cocoa, taxi. Baris sesuai dengan kata-kata target, kolom sesuai dengan kata-kata kontex. Semua jumlah yang tidak diberikan secara eksplisit adalah nol.

beans bubble cocoa taxi

coffee 35 0 11 0

tea 1 17 4 0

a) Baca nilai-nilai berikut dari matrik co-occurrence : #(coffee, cocoa) #(coffee) #(cocoa)

b) Sebutkan semua target pasangan kata-konteks kata, yang informasi timbal baliknya secara positif (ketat) lebih besar dari nol.

c) Apa yang membuat model continuous bag-of-words dan model skip gram- model yang diterapkan dalam Google’s word2vec begitu menarik, dibandingkan dengan metode embedding kata melalui singular value decomposition terpotong?

2. Soal Levenshtein distance :

The following matrix shows the values computed by the Wagner–Fischer

algorithm for finding the Levenshtein distance between the two words student

and teacher. Note that the matrix is missing a value (marked cell).

(9)

(10)

7 6 5 5

(

₆ ₆

6 5 4 4 5 5 6 6

5 4 3 4 4 5 5 6

4 ^J^a 3 4 ⁵ 6 7

Ja 2 2 3 4 5 6 7

2 L 2 3 4 5 6 7

1 ^L 2 3 4 5 6 7

0 1 2 ^aJ 4 5 6 7

a) ^Tentukan ^konsep ^jarak Levenshtein [Levenshtein distance J antara

dua kata.

b] Hitung nilai untuk sel yang ditandai.

Jelaskan!!

Tunjukkan bahwa

Anda telah memahami

algoritma

Wagner-Fischer.

cJ

Bagi pengguna

mungkin terjadi

salah

ketik

kata

student terketik menjadi stusent daripada stulent; ini karena tombol untuk huruf d dan s lebih

dekat satu sama

lain

pada

keyboard daripada tombol untuk huruf

d dan l.

Jelaskan

bagaimana algoritma Wagner-Fischer dapat diadaptasi untuk

kasus

ini.

Diperiksa oleh:

Koordinator Matakuliah NLP

Disetujui oleh :

Ketua Program Studi Magister Teknik Informatika

,r*l V

rno, S.Si, M.Kom Dr. Moch Arief Soeleman, M.Kom

n

d

u

fr