NATURAL LANGUANGE PROCESSING: TEORI DAN APLIKASI MODERN DALAM KECERDASAN BUATAN

Penulis :

Viktor Handrianus Pranatawijaya. S.T., M.T.
Nova Noor Kamala Sari, S.T., M.Kom.
Efrans Christian, S.T., M.T.
Ressa Priskila, S.T., M.T.
Tomas Leonardo, S.T., M.T.I.

ISBN : –

Jumlah Hlm : x + 176
Ukuran : 15 x23 Unesco
Kertas : Bookpaper
Tahun Terbit : 2025
Editor : –

SINOPSIS

Buku Natural Language Processing: Teori dan Aplikasi Modern dalam Kecerdasan Buatan ini menyajikan pemahaman komprehensif mengenai konsep dasar, teknik lanjutan, serta penerapan nyata NLP dalam era digital. Mulai dari tahap pra-pemrosesan teks, representasi fitur, hingga implementasi model berbasis pembelajaran mesin dan deep learning seperti BERT dan GPT, buku ini dirancang untuk membekali pembaca—khususnya mahasiswa, peneliti, dan praktisi teknologi—dengan keterampilan membangun aplikasi cerdas seperti analisis sentimen, klasifikasi teks, chatbot, dan sistem rekomendasi berbasis teks. Dilengkapi studi kasus, eksplorasi etika, dan tantangan industri, buku ini menjadi panduan strategis dalam mengembangkan solusi NLP yang relevan, akurat, dan etis.

Daftar Isi

Kata Pengantar v

Daftar Isi viii

Bab 1.     Pengantar Natural Language Processing 1

1. Pengertian NLP 2
2. Sejarah dan Perkembangan NLP 5
3. Ruang Lingkup NLP 8
4.   Aplikasi NLP dalam Kehidupan Nyata 13
5. Tantangan Utama dalam NLP 17

BAB 2.     Persiapan Lingkungan Pemrograman NLP 20

1. Instalasi Python dan Library NLP 21
2. Pengenalan Jupyter Notebook, Google Colab, Kaggle, dan Hugging Face 25
3. Library Utama: NLTK, SpaCy, Scikit-learn, Transformers 29
4.   Dataset Umum untuk NLP 33
5. Praktik Penggunaan Dataset 36

BAB 3.     Preprocessing  Teks 41

1. Tokenisasi 42
2. Lowercasing dan Stopword Removal 45
3. Filtering dan Regular Expression 48
4. Stemming dan Lemmatization 52
5. Representasi Sederhana: Bag-of-Words,
   TF, TF-IDF 56
6. Studi Kasus Preprocessing dengan Python 60

BAB 4.     Representasi  Fitur Teks 64

1. Pentingnya Representasi Fitur 65
2. TF-IDF: Teori dan Praktik 68
3. Word Embedding: Word2Vec, GloVe, dan
   FastText 72
4.   Embedding Kontekstual: ELMo dan BERT 78
5. Eksperimen Representasi pada Dataset Nyata 82

Eksperimen: Klasifikasi Sentimen Ulasan Film 83

BAB 5.    Klasifikasi Teks dengan Machine Learning 88

1. Pengenalan Klasifikasi Teks 89
2. Algoritma Klasik: Naive Bayes, SVM, Decision
   Tree 92
3. Evaluasi Model: Confusion Matrix, Akurasi, Precision, Recall 97
4.   Cross-validation dan Hyperparameter Tuning 100
5. Studi Kasus Klasifikasi Sentimen 104

BAB 6.    Deep Learning  dalam NLP 108

1. Neural Network Dasar untuk NLP 109
2. Recurrent Neural Network (RNN) 112
3. Long Short-Term Memory (LSTM) dan GRU 116
4.   Arsitektur Transformer 120
5. Fine-tuning Pretrained Models: BERT dan GPT 124
6. Praktik Fine-tuning Model dengan HuggingFace Transformers 128

BAB 7.     Proyek NLP Berbasis Kasus Nyata 133

1. Menyusun Proposal Proyek NLP 134
2. Studi Kasus: Analisis Opini Produk 137
3. Studi Kasus: Klasifikasi Berita 142
4.   Etika dan Privasi dalam Proyek NLP 147
5. Tips dan Strategi Penulisan Proposal Proyek 150

BAB 8. 154

Aplikasi Lanjut NLP 154

1. Sentiment Analysis 155
2. Named Entity Recognition (NER) 158
3. Text Classification Multi-label 160
4.   Chatbot: Rule-Based vs Retrieval-Based vs Generative 163
5. Machine Translation: NMT, Google Translate, MarianMT 165
6. Sistem Rekomendasi Berbasis Teks dan
   Sentimen 168

Referensi 171

Tentang Penulis 174