REVIEW JURNAL TOPIK “NLP”
PEMBELAJARAN MESIN
“
Text Processing NLP” Kelas F
Dosen pengampu:
Rosalia Arum Kumalasanti M.T.
Disusun oleh:
Nama: Mateus Appuwan Situmorang NIM: 215314128
PROGRAM STUDI INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
2023
PENDAHULUAN
Pemrosesan Bahasa Alami (Natural Language Processing/NLP) telah menjadi salah satu teknologi yang paling penting dalam bidang kecerdasan buatan. Seiring dengan pesatnya perkembangan teknologi machine learning, NLP memberikan kemampuan pada komputer untuk menginterpretasikan, memanipulasi, dan memahami bahasa manusia. Dengan begitu banyaknya data suara dan teks yang dihasilkan dari berbagai saluran komunikasi seperti email, pesan teks, umpan berita media sosial, video, dan audio, organisasi modern menghadapi tuntutan untuk mengelola dan memanfaatkan informasi ini secara efisien.
Dalam konteks ini, perangkat lunak NLP menjadi kunci dalam mengatasi kompleksitas dan volume data yang terus meningkat. Organisasi saat ini tidak hanya dihadapkan pada tumpukan data, tetapi juga memerlukan pemahaman yang mendalam terhadap pesan-pesan yang tersembunyi di dalamnya. Dengan menggunakan teknologi NLP, data dari berbagai sumber dapat diproses secara otomatis, dan informasi berharga dapat diekstraksi tanpa melibatkan intervensi manusia secara langsung.
Banyaknya sumber data yang mencakup berbagai format, seperti teks, suara, dan video, memperumit proses analisis. Oleh karena itu, perangkat lunak NLP menjadi solusi yang sangat diperlukan untuk menjembatani kesenjangan ini. Artikel ini akan membahas bagaimana organisasi mengimplementasikan NLP untuk memproses data secara otomatis, menganalisis maksud atau sentimen dalam pesan, dan merespons komunikasi manusia dalam waktu nyata.
Dengan demikian, pemahaman mendalam terhadap konsep dasar NLP dan aplikasi praktisnya akan menjadi kunci untuk memahami dampak besar yang dimilikinya dalam mendukung operasional dan pengambilan keputusan organisasi. Melalui analisis data secara otomatis dan respons yang cepat, NLP membuka jalan baru bagi organisasi untuk mengoptimalkan penggunaan data yang ada dan merespons dinamika yang cepat dalam lingkungan bisnis dan komunikasi kontemporer.
TABEL REVIEW JURNAL
JUDUL IMPLEMENTASI NATURAL LANGUAGE PROCESSING (NLP) UNTUK APLIKASI PENCARIAN LOKASI
JURNAL Jurnal Nasional Teknologi Terapan VOLUME & HALAMAN Vol. 3 & 14
TAHUN 2019
PENULIS Irkham Huda
Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, UGM, Indonesia
REVIEWER 215314128 – Mateus Appuwan Situmorang TANGGAL 18 November 2023
TUJUAN PENELITIAN Artikel ini bertujuan untuk pengembangan terkait implementasi NLP untuk aplikasi pencarian lokasi dalam Bahasa Indonesia.
SUBJEK PENELITIAN Perusahaan dibidang keuangan, Pemerintahan, Perkantoran, Organisasi, dan Individu.
METODE PENELITIAN Penelitian ini menggunakan metode kualitatif dengan fokus pada pemahaman mendalam terhadap proses pengembangan sistem pencarian lokasi berbasis NLP. Metode ini dianggap relevan karena penelitian lebih menekankan pada deskripsi dan interpretasi daripada pengukuran kuantitatif yang kaku. Langkah-langkah perancangan sistem mencakup analisis kebutuhan pengguna, desain sistem berbasis NLP, implementasi struktur basis data dan SQL Spatial, penerapan NLP dengan library terkait, integrasi dengan Open Street Map (OSM), dan evaluasi penggunaan NLP dalam aplikasi.
LANGKAH-LANGKAH PERANCANGAN
Langkah-langkah yang digunakan dalam proses penelitian ini adalah:
1. Analisis Kebutuhan Pengguna dan Konteks: Pemahaman mendalam terhadap kebutuhan pengguna dan konteks penggunaan aplikasi pencarian lokasi.
2. Desain Sistem Berbasis NLP: Rancang sistem yang memanfaatkan Natural Language Processing untuk memahami kalimat pencarian dalam Bahasa Indonesia.
3. Implementasi Struktur Basis Data dan SQL Spatial: Gunakan Structural Query Language (SQL) Spatial untuk mengelola dan mengekstraksi data-posisi dari basis data SIG.
4. Penerapan NLP dengan Library Terkait: Implementasikan NLP dengan menggunakan library seperti Natural Language Toolkit (NLTK) dan CoreNLP dari Stanford University.
5. Integrasi dengan Open Street Map (OSM): Manfaatkan OSM sebagai sumber data spasial dengan ukuran basis data yang
besar, lebih dari 21 gigabyte data XML terkompresi.
6. Evaluasi Penggunaan NLP dalam Aplikasi: Evaluasi hasil implementasi NLP pada aplikasi pencarian lokasi dengan memperhatikan respons pengguna, akurasi hasil, dan kompleksitas pencarian.
HASIL PENELITIAN Berdasarkan hasil analisa, perancangan, implementasi dan pengujian program, maka dapat diambil kesimpulan diantaranya:
1. Sistem NaLaMap mampu mengolah kalimat pencarian dengan bahasa alami, memberikan kemudahan bagi pengguna dalam mencari lokasi dengan deskripsi dalam Bahasa Indonesia.
2. Performa sistem dalam mengenali dan mentransformasikan kalimat menjadi query spasial menunjukkan tingkat akurasi yang baik, meskipun terdapat beberapa kesalahan yang dapat diperbaiki dengan lebih memperhatikan batasan sistem dan meningkatkan modul POS Tagger serta NER Tagger.
3. Diperlukan pengembangan lebih lanjut untuk menangani variasi pola kalimat dan meningkatkan ketepatan identifikasi kelas kata agar sistem dapat memberikan hasil yang lebih konsisten dan sesuai dengan harapan pengguna.
4. NaLaMap memiliki potensi untuk menjadi solusi pencarian lokasi yang lebih kontekstual dan dapat diandalkan, terutama jika kesalahan-kesalahan yang teridentifikasi dapat
diperbaiki dan sistem terus ditingkatkan.
PENERAPAN NATURAL LANGUAGE
PROCESSING (NLP)
Artikel ini memberikan gambaran yang jelas tentang penerapan NLP dalam pengembangan aplikasi pencarian lokasi. Langkah-langkah yang dilakukan, seperti analisis kebutuhan pengguna, desain sistem berbasis NLP, implementasi struktur basis data dan SQL Spatial, penerapan NLP dengan library terkait, dan integrasi dengan Open Street Map (OSM), mencerminkan upaya serius dalam mengoptimalkan teknologi NLP untuk memahami dan merespons bahasa alami. Penerapan NLP dengan library seperti Natural Language Toolkit (NLTK) dan CoreNLP dari Stanford University menunjukkan pemilihan tools yang tepat dan relevan dengan kebutuhan penelitian.
EVALUASI DAN POTENSI
PENGEMBANGAN
Artikel ini memberikan evaluasi terhadap penggunaan NLP dalam aplikasi dengan memperhatikan respons pengguna, akurasi hasil, dan kompleksitas pencarian. Kesimpulan dari evaluasi menunjukkan bahwa NaLaMap memiliki potensi untuk menjadi solusi pencarian lokasi yang lebih kontekstual dan dapat diandalkan. Namun, terdapat kesalahan yang diidentifikasi, dan penelitian merekomendasikan pengembangan lebih lanjut untuk meningkatkan ketepatan dan konsistensi hasil.
KESIMPULAN Secara keseluruhan, artikel ini memberikan kontribusi yang berarti dalam pengembangan aplikasi pencarian lokasi berbasis NLP dalam Bahasa Indonesia. Dengan menggunakan metode kualitatif, penelitian ini mendalam ke dalam aspek-aspek pengembangan sistem dan memberikan evaluasi yang jelas terhadap kinerja aplikasi.
Meskipun terdapat beberapa kesalahan yang perlu diperbaiki, artikel ini memberikan landasan yang kuat untuk pengembangan lebih lanjut dalam mengoptimalkan penerapan NLP dalam konteks pencarian lokasi.
DAFTAR PUSTAKA
Amazon Web Services. (n.d.). Natural Language Processing (NLP) - AWS. Diakses pada 18 November 2023, dari https://aws.amazon.com/id/what-is/nlp/#:~:text=tugas%20NLP%20Anda%3F- ,Apa%20yang%20dimaksud%20dengan%20NLP%3F,memanipulasi%2C%20dan%20memahami%20bah asa%20manusia.
Huda, I. (2019). "Implementasi Natural Language Processing (NLP) untuk Aplikasi Pencarian Lokasi."
Jurnal Nasional Teknologi Terapan, 3(2), 15-28. Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, UGM, Indonesia. Email: [email protected].
Huffman, G. (2013). Implementing a Natural Language Processing Framework to Perform Spatial
Searches of Open Street Map Features in ArcGIS. MGIS Capstone Project The Pennsylvania State University.
Location-Based Services: The #1 Most-Wanted Mobile Feature. Here’s Why (Research). (2013).
http://therealtimereport.com/2012/04/27/location-based-services-the-1-most-wanted-mobile-featureheres- why-research/.
Luthfi, A., Distiawan, B., & Manurung, R. (2014). Building an Indonesian Named Entity Recognizer using Wikipedia and DBPedia. Faculty of Computer Science, Universitas Indonesia.
Mollevik, J. (2013). Natural Language Interfaces over Spatial Data : Investigations in Scalability, Extensibility and Reliability. Department of Computing Science, Umea University, Sweden.
OpenStreetMap: Open Database License. (2013).
http://wiki.openstreetmap.org/wiki/Open_Database_License.
Presman,R. (2009). Software Engineering: A Practitioner’s Approach. McGraw-Hill, New York.
Stanford Core NLP, Stanford Log-linear Part-Of-Speech Tagger . (2004).
http://nlp.stanford.edu/software/tagger.shtml.
Stanford Core NLP, Stanford Named Entity Recognizer (NER). (2004).
http://nlp.stanford.edu/software/CRF-NER.shtml.
Toutanova, K., Manning, C.D. (2000). Enriching the Knowledge Sources Used in a Maximum Entropy Part-of-Speech Tagger. Proceedings of the Joint SIGDAT Conference on Empirical Methods in Natural Language Processing and Very Large Corpora (EMNLP/VLC-2000), pp. 63-70.
Toutanova, K., Klein, D., Manning, C., & Singer, Y. (2003). Feature-Rich Part-of-Speech Tagging with a Cyclic Dependency Network. In Proceedings of HLT-NAACL 2003, pp. 252-259.
Zhang, C., Huang, Y., Mihalcea, R.,& Cuellar, H. (2009). A Natural Language Interface for Crimerelated Spatial Queries. Department of Computer Science and Engineering, University of North Texas.