![\"Image](\"http:\/\/ddi-dev.com\/uploads\/media\/news\/0001\/02\/584668831a98d094bf9ceb0a533d0984149e044f.jpeg\")
<\/p>\n<\/p>\n
Di balik kemudahan teknologi digital yang kita gunakan sehari-sehari seperti mesin penerjemahan,\u00a0e-mail<\/em>,\u00a0search engine<\/em>.\u00a0.<\/em>\u00a0(misalnya Siri, Alexa, Google Assistant) ada kompleksitas mesin yang mampu menampilkan data, kata, gambar, dan video dalam hitungan milidetik. Di balik teknologi tersebut, kata, kalimat, dan bahasa menjadi kuncinya. Bagaimana mesin mempelajari linguistik manusia?<\/p>\n Jawabannya adalah\u00a0.<\/em>\u00a0(AI). Teknologi AI merupakan salah satu teknologi masa depan yang dapat mengubah industri bersamaan dengan teknologi \u201c.<\/em>\u201d, \u201c.<\/em>\u201d, dan \u201ccloud<\/em>\u201d.<\/p>\n Seperti namanya, teknologi AI atau kecerdasan buatan ini mampu membuat komputer dapat bertindak atau mengambil keputusan seperti manusia. Salah satu bagian dari AI adalah bidang\u00a0natural language processing<\/em> (NLP)<\/a>\u00a0atau pemrosesan bahasa alami. Teknologi NLP ini yang memungkinkan komputer dapat memahami dan mensintesis teks yang ditulis dalam bahasa manusia.<\/p>\n Meski istilah NLP belum banyak dikenal masyarakat luas, sebenarnya masyarakat pengguna internet sudah sangat sering menggunakan teknologi NLP ini. Bukan hanya aplikasi\u00a0.<\/em>yang memang merupakan salah satu target utama dari teknologi NLP, teknologi NLP terdapat juga dalam berbagai aplikasi yang digunakan sehari-hari.<\/p>\n Salah satu yang sering digunakan adalah\u00a0search engine<\/em>,\u00a0seperti Google, Bing atau Yahoo<\/a>. Jika kita ingin mencari informasi tertentu, kita cukup menuliskan kata kunci di\u00a0search engine<\/em>\u00a0dan dalam hitungan milidetik,\u00a0search engine<\/em>\u00a0akan menampilkan artikel-artikel yang relevan.<\/p>\n Teknologi NLP lainnya yang sering digunakan adalah mesin penerjemahan otomatis (machine translation<\/em><\/a>), seperti Google\u00a0translate<\/em>. Fitur ini sering digunakan baik pada saat membaca atau memahami sebuah teks, atau bahkan pada saat menulis teks dalam bahasa tertentu. Selain\u00a0.<\/em>,\u00a0search engine<\/em>\u00a0And\u00a0machine translation<\/em>, teknologi NLP juga sering digunakan dalam penyaring email\/short message service<\/em>(SMS)\u00a0spam<\/em>, pengoreksi teks otomatis, pemeriksa plagiarism, dan perekomendasi buku (contohnya pada Amazon).<\/p>\n <\/p>\n Saat ini, di Indonesia, semakin banyak industri yang memahami manfaat dari penggunaan teknologi NLP ini. Dua jenis teknologi NLP yang banyak digunakan industri di Indonesia adalah\u00a0.<\/em>\u00a0dan media monitoring.<\/p>\n Chatbot<\/a>\u00a0adalah teknologi NLP yang mampu melayani percakapan dengan pengguna secara otomatis. Sistem ini berusaha memahami masukan dari pengguna baik berupa teks maupun suara, dan kemudian memberikan respons sesuai dengan kalimat masukan pengguna. Banyak industri yang mulai menggunakan\u00a0.<\/em>\u00a0untuk berbagai fungsi sederhana, seperti memberikan informasi terkait perusahaan atau pemesanan layanan perusahaan tersebut.<\/p>\n Media monitoring\u00a0analisis sentimen<\/em><\/a>\u00a0adalah aplikasi yang menggunakan teknologi NLP untuk membantu mengambil informasi khusus dari berbagai pendapat yang tersebar di media sosial. Untuk menjadi yang terdepan pada sebuah bisnis, perusahaan memerlukan\u00a0feedback<\/em>dari pelanggannya. Saat media sosial belum berkembang,\u00a0feedback<\/em>\u00a0ini diperoleh melalui survei yang diisi pelanggan.<\/p>\n Namun dengan berkembangnya penggunaan media sosial, informasi berupa pendapat pelanggan ini dapat diperoleh melalui media sosial. Kelebihan penggunaan media sosial dibandingkan survei adalah ketepatan pendapat yang bisa berubah dalam rentang waktu tertentu, kesimpulan dapat diperoleh lebih cepat, dan biaya yang lebih murah.<\/p>\n Salah satu teknologi NLP yang banyak digunakan pada aplikasi media monitoring adalah klasifikasi sentimen, teknologi untuk kategorisasi sebuah pendapat pelanggan menjadi positif atau negatif secara otomatis. Dengan klasifikasi sentimen, kita dapat mengetahui jumlah pendapat positif atau negatif terhadap sebuah produk atau layanan perusahaan secara otomatis. Gambar di bawah ini adalah contoh hasil dari klasifikasi sentimen.<\/p>\n Pada dasarnya, strategi teknik yang sering digunakan dalam membangun teknologi NLP ini dapat dibagi menjadi dua\u00a0teknik pemrosesan NLP<\/a>, yaitu (1) strategi berbasis aturan yang secara manual dituliskan oleh manusia (rule based technique<\/em>) atau (2) strategi berbasis aturan yang secara otomatis diperoleh dari data (statistical based technique<\/em>\u00a0atau\u00a0machine learning based technique<\/em>).<\/p>\n Teknik pertama digunakan jika aturan-aturan tersebut mudah dituliskan. Dalam aplikasi penyaring\u00a0SMS spam<\/em>, misalnya, teknik pertama diimplementasikan oleh teknisi data dengan cara menuliskan kata-kata filter yang digolongkan sebagai\u00a0spam<\/em>. Contoh kata penanda\u00a0spam<\/em>: (1) selamat Anda mendapatkan, (2) butuh pinjaman?, (3) mari berlangganan dengan\u2026 dan lainnya. Dalam konteks ini dibuat aturan bahwa jika sebuah pesan pendek mengandung lebih dari 5 kata penanda\u00a0spam<\/em>, maka pesan tersebut dapat dinyatakan sebagai informasi sampah.<\/p>\n Kelemahan dari teknik pertama ini adalah tidak akurat untuk menangani masalah yang kompleks, misalnya pola struktur kalimat yang rumit atau terdapat\u00a0unknown word<\/em>\u00a0(kata yang tidak terdapat pada daftar kata). Hal ini yang mendorong berkembangnya teknik kedua,\u00a0machine learning based technique<\/em>. Dalam teknik ini, berbagai aturan (termasuk daftar kata penting) diperoleh secara otomatis melalui data.<\/p>\n Langkah pertama bagi para saintis untuk menggunakan teknik berbasis\u00a0.<\/em>adalah membuat data latih. Data latih yang berkualitas merupakan salah satu kunci keberhasilan sebuah aplikasi NLP. Berikut adalah contoh data latih untuk klasifikasi\u00a0spam<\/em>:<\/p>\n \u201cIni mama, kartu telpon mama hilang, jadi pakai nomor ini. Tolong kirim pulsa ke nomor ini\u201d \u2192 ditandai sebagai \u201cSMS spam\u201d.<\/p>\n \u201cKak, bisa kirim pulsa ke mama, ini udah mau habis, Mama perlu telpon kakak\u201d \u2192 ditandai sebagai \u201cSMS bukan spam\u201d.<\/p><\/blockquote>\n Setelah data latih terbangun, selanjutnya saintis menggunakan algoritme\u00a0.<\/em>untuk mengambil daftar kata penting dan aturan lainnya dari data latih tersebut secara otomatis.<\/p>\n Berbagai algoritme\u00a0.<\/em>\u00a0tradisional dapat digunakan seperti\u00a0decision tree<\/em><\/a>,\u00a0SVM<\/a>.\u00a0XGBoost<\/a>. Algoritme tersebut telah dikembangkan para ahli statistik dan ilmu komputer. Selain itu juga digunakan algoritme\u00a0.<\/em>, yakni pengembangan dari algoritme\u00a0neural network<\/em>. Algoritme\u00a0.<\/em>\u00a0ini telah dibuktikan oleh banyak penelitian memiliki kinerja yang lebih baik daripada menggunakan algoritme\u00a0.<\/em>\u00a0tradisional.<\/p>\n Dalam teknik yang berbasis\u00a0.<\/em>, data latih yang berkualitas (data dalam bentuk kata\/kalimat) memiliki peran penting dalam membangun model yang akurat. Untuk pendekatan\u00a0unsupervised learning<\/em><\/a>\u00a0(data latih tanpa label), data latih dapat dengan mudah dikumpulkan karena tidak memerlukan pelabelan khusus. Maksudnya, sistem atau peneliti belum sempat melabelkan apakah satu kata\/kalimat tersebut\u00a0spam<\/em>\u00a0atau tidak, misalnya dalam kasus\u00a0SMS spam<\/em>.<\/p>\n Namun untuk pendekatan\u00a0supervised learning<\/em><\/a>\u00a0(data latih dengan label) seperti contoh klasifikasi\u00a0SMS spam<\/em>, penyiapan data latih yang berkualitas memerlukan upaya khusus. Ketersediaan data latih ini menjadi masalah tersendiri di Indonesia.<\/p>\n Saat ini, para peneliti Indonesia di bidang ilmu komputer mengumpulkan data latih masing-masing. Belum terdapat data latih untuk NLP bahasa Indonesia dengan kuantitas yang besar dan kualitas yang baik. Oleh karena itu, pada tahun 2016, dibentuk\u00a0Indonesian Association for Computational Linguistics (INACL)<\/a>\u00a0atau disebut juga Masyarakat Linguistik Komputasi Indonesia (MALKIN), yang salah satu tujuannya adalah untuk membangun data bahasa Indonesia yang dapat mendorong kemajuan penelitian NLP Indonesia.<\/p>\n Jika berbagai data latih berbahasa Indonesia ini sudah mencukupi, penelitian NLP Indonesia akan maju, mendorong berbagai produk NLP bahasa Indonesia sehingga urusan hidup kita akan makin mudah dilayani oleh mesin-mesin kecerdasan buatan.<\/p>\nMesin penjawab otomatis dan penelisik sentimen<\/h2>\n
![\"\"](\"https:\/\/images.theconversation.com\/files\/261832\/original\/file-20190304-110137-1bdn3ij.png?ixlib=rb-1.1.0&q=45&auto=format&w=754&fit=clip\")
Bagaimana mereka bekerja?<\/h2>\n