RENCANA PEMBELAJARAN SEMESTER (RPS)

(1)

PROGRAM STUDI INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET

Identitas Mata Kuliah Identitas dan Validasi Nama Tanda Tangan

Kode Mata Kuliah : ^0953623608 Dosen Pengembang RPS : DENIS EKA CAHYANI,

S.KOM., M.KOM

Nama Mata Kuliah : Natural Language Processing

Bobot Mata Kuliah (sks) : 3 Koord. Kelompok Mata Kuliah :

Semester : 6

Mata Kuliah Prasyarat : Teori Bahasa dan Automata Kepala Program Studi : DR. WIHARTO, S.T.,

M.KOM.

Capaian Pembelajaran Lulusan (CPL)

Kode CPL Unsur CPL

S-9 :

menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

KU-1 :

Mampu menerapkan pemikiran logis, kritis, sistematis dan inovatif dalam kontek pengembangan atau implementasi ilmu

pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang seduai dengan bidang keahliannya.

KU-2 :

Mampu menunjukkan kinerja mandiri, bermutu dan terukur

KU-5 :

Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya berdasarkan hasil analisis

informasi dan data.

CP Mata kuliah (CPMK)

:

- Menjelaskan konsep dasar Natural Language Processing (NLP), terutama dalam pengolahan teks, konsep Language Modeling, dan mampu membangun model sederhana pengenalan teks dan analisis sentimen

- Membangun model sederhana untuk merepresentasikan pengetahuan linguistik pada tingkat representasi morfologi, sintaksis serta semantik

- Menjelaskan isu-isu riset mutakhir apa saja yang sedang terjadi pada komunitas peneliti NLP serta linguistik komputasional

Bahan Kajian Keilmuan

:

- Pengembangan IPTEK

(2)

Deskripsi Mata Kuliah

:

Mata kuliah Natural Language Processing ini memberikan pemahaman dan penguasaan kepada mahasiswa mengenai pengolahan naskah dalam bahasa manusia

Daftar Referensi : 1. Daniel Jurafsky & James H. Martin, Speech and Language Processing: An Introduction to Natural Language Processing,

Computational Linguistics, and Speech Recognition, 2

^nd

Edition, Prentice Hall, 2008.

(3)

Tahap Kemampuan akhir Materi Pokok Referensi

Metode Pembelajaran

Waktu Pengalaman Belajar

Penilaian*

Luring Daring Indikator/kode CPL Teknik penilaian

dan bobot

1 2 3 4 5 6 7 8 9 10

1. Mahasiswa mampu menjelaskan teknologi Pemrosesan Bahasa Alami (Natural Language Processing ) secara umum, dan trend penelitian yang saat ini berkembang

a. Definisi Natural Languange Processing (NLP)

b. Aplikasi NLP pada informasi berbasis teks : peringkasan dokumen, analisa

sentimen, ekstraksi informasi, mesin penterjemah

c. Aplikasi NLP pada informasi berbasis suara :

pengenalan wicara

Jurafsky ch.1

Ceramah, diskusi kelas

Bahan materi diunggah dan diterima via e- learning, diskusi via e-learning

3x50’ Diskusi 1. Dapat

mendefinisikan Natural Languange Processing (NLP) 2. Dapat menjelaskan

teknologi

pemrosesan aplikasi NLP pada informasi berbasis teks 3. Dapat menjelaskan

teknologi

pemrosesan aplikasi NLP berbasis suara (S-9 KU-1)

2. Mahasiswa mampu menjelaskan teknologi Text Processing

a. Regular Expression b. Tokenisasi kata c. Normalisasi kata &

stemming

d. Segmentasi kalimat

Jurafsky ch.2

Bahan materi diunggah dan diterima via e- learning

3x50’ Diskusi 1. Dapat menjelaskan

tahapan

pemrosesan teks : regular expression, tokenisasi kata, normalisasi &

stemming serta segmentasi kalimat (KU-1 KU-5)

Tes/5%

(4)

3. Mahasiswa mampu menjelaskan konsep dasar finite state morphology

a. Pengenalan morphology b. Finite state morphology c. Lexicon dan morphotactics d. Finite State Transducer

Morphotactics &

Orthographics

Jurafsky ch.

3.1 – 3.3

Bahan materi diunggah dan diterima via e- learning, tugas dikumpulkan via e-learning

3x50’ Tugas 1. Dapat mendefinisikan

morphology

2. Dapat mendefinisikan dan menjelaskan konsep finite state morphology 3. Dapat menjelaskan

konsep finite state transducer morphotactics &

orthographics serta perbedaan keduanya (KU-2 KU-5)

Work Sheet/5%

4. Mahasiswa mampu menjelaskan teknologi Minimum Edit Distance

a. Definisi Minimum Edit Distance

b. Mengukur kemiripan dua kata dengan Levenstein Distance

c. Backtrace untuk menghitung alignment

d. Weighted minimum Edit Distance

Jurafsky ch.3.11

3x50’ Tes Quiz 1. Dapat mendefinisikan

minimum edit distance 2. Dapat mengukur

kemiripan dua kata dengan levenstein distance

3. Dapat menjelaskan konsep backtrace untuk menghitung alignment 4. Dapat menghitung

weighted minimum edit distance (KU-1 KU-5)

Tes/5%

5. Mahasiswa mampu menjelaskan isu-isu riset mutakhir apa saja yang sedang terjadi pada komunitas peneliti NLP serta linguistik komputasional

a. Isu riset mutakhir yang sedang berkembang b. Teknik mereview paper dan

menyajikan presentasi review paper

- Bahan materi

diunggah dan diterima via e- learning, tugas dikumpulkan via e-learning

3x50’ Tugas 1. Dapat mengetahui isu

riset mutakhir NLP yang sedang berkembang 2. Dapat menyajikan

review paper yang baik dan

mempresentasikannya (KU-2 KU-5)

Tugas/15%

(5)

6. Mahasiswa mampu menjelaskan teknologi Language Modeling

a. Model Unigram, Bigram dan N-gram

b. Evaluasi Language Modeling dan perplexity

c. Generalization

Jurafsky ch.4

Ceramah, diskusi kelas, project

konsep unigram, bigram dan n-gram 2. Dapat mengevaluasi

language modeling dan perplexity 3. Dapat menjelaskan

konsep generalization (KU-1 KU-5)

7. Mahasiswa mampu menjelaskan teknologi Text Classification memakai Naïve Bayes

a. Aplikasi Text Classification b. Representasi bag of words c. Multimomial Naive Bayes

3x50’ Tugas 1. Dapat menjelaskan

cara kerja aplikasi teks classification 2. Dapat menjelaskan

representasi bag of words

3. Dapat menjelaskan konsep multinomial naïve bayes (KU-1 KU-5)

WS/5%

8. Mahasiswa mampu menjelaskan teknologi Sentiment Analysis

a. Definisi sentiment analysis b. Contoh aplikasi sentiment

analysis

c. Algoritma sentiment analysis

d. Sentiment lexicons

Jurafsky ch.

5 & 6

3x50’ 1. Dapat mendefinisikan

sentiment analysis 2. Dapat menjelaskan

contoh aplikasi sentiment analysis 3. Dapat menjelaskan

algoritma sentiment analysis (KU-1 KU-5)

(6)

9. Mahasiswa mampu menjelaskan konsep dasar Part of Speech Tagging

a. Pengenalan part of speech tagging

b. Rule based tagging c. Stochastic POS tagging d. Algoritma Hidden Markov

Model pada POS Tagging

Jurafsky ch.

12

3x50’ Tugas 1. Dapat menjelaskan

konsep part of speech tagging 2. Dapat menjelaskan

konsep Rule based tagging dan Stochastic POS tagging

3. Dapat menjelaskan konsep Algoritma Hidden Markov Model pada POS Tagging(KU-2 KU-5)

WS/5%

10 Mahasiswa mampu menjelaskan konsep dasar Context Free Grammar

a. Context-Free Rules and Trees

b. Kesesuaian / aggrement c. Pengenalan CFG (Context

Free Grammar)

Jurafsky ch.

13

Bahan materi diunggah dan diterima via e- learning, diskusi via e-learning

konsep Context-Free Rules and Trees 2. Dapat menjelaskan

Kesesuaian / aggrement 3. Dapat menjelaskan

konsep CFG (Context Free Grammar) (KU-1 KU-5)

11 Mahasiswa mampu melakukan parsing dengan Context Free Grammar

a. Parsing dengan CFG b. Top down dan Bottom up

parsing

c. Penanganan structural ambiguity

Jurafsky ch.

13

Presentasi Proyek diunggah ke e-learning

6x50’ Proyek 1. Dapat melakukan

parsing dengan CFG 2. Dapat melakukan Top

down dan Bottom up parsing

3. Dapat menangani structural ambiguity (KU-2 KU-5)

WS/5%

(7)

12 Mahasiswa mampu menjelaskan konsep probabilistic parsing

a. Konsep probabilistic context free grammar b. Menggunakan PCFG untuk

disambiguation c. Masalah pada PCFG

Jurafsky ch.

14

Bahan materi diunggah dan diterima via e- learning, Tugas diunggah via e- learning

3x 50 Tugas 1. Dapat menjelaskan

konsep probabilistic context free grammar 2. Dapat menggunakan

PCFG untuk disambiguatio 3. Dapat mengetahui

Masalah pada PCFG &

menyelesaikannya (S- 9 KU-2)

Tugas/15%

39x50’ 100%

*Kriteria Penilaian terlampir

(8)