Modul ini membekali peserta dengan pemahaman fundamental tentang peran dan penerapan machine learning (ML) dalam pemrosesan bahasa alami (natural language processing / NLP). Peserta akan mempelajari cara teks diubah menjadi representasi numerik menggunakan metode seperti Bag of Words (BoW) dan TF-IDF, serta memahami kelebihan dan keterbatasannya dalam konteks analisis bahasa. Modul ini juga membahas algoritma ML dasar seperti Linear Regression, Logistic Regression, Naïve Bayes, dan SVM beserta penerapannya dalam skenario NLP sederhana seperti klasifikasi teks. Selain itu, peserta akan mempelajari tahapan utama workflow ML — mulai dari pengumpulan data hingga evaluasi model — melalui analogi konkret untuk memperkuat pemahaman. Di akhir modul, peserta mampu mengidentifikasi tantangan umum dalam penerapan ML pada bahasa manusia serta menilai peluang pengembangannya dalam berbagai aplikasi dunia nyata.

Modul ini memberikan pemahaman menyeluruh tentang dasar-dasar deep learning (DL) sebagai cabang penting dari machine learning. Peserta akan mempelajari konsep utama DL, perbedaannya dengan pendekatan ML klasik, serta cara jaringan saraf tiruan (neural networks) belajar dari data melalui analogi sederhana. Modul ini membahas komponen inti jaringan saraf, seperti neuron, lapisan, bobot, bias, dan fungsi aktivasi, serta menjelaskan proses forward dan backward propagation. Peserta juga akan memahami prinsip kerja gradient descent, backpropagation, dan berbagai optimizer, serta peran regularisasi dalam mengatasi overfitting. Selain itu, modul ini memperkenalkan berbagai arsitektur populer seperti CNN, RNN, Transformers, dan Autoencoders, lengkap dengan fungsi dan penerapan spesifiknya. Di akhir modul, peserta mampu mengenali beragam aplikasi DL di bidang seperti computer vision, NLP, pengenalan suara, dan sistem rekomendasi, serta menilai potensi dampaknya dalam berbagai konteks industri dan sosial.

Modul ini memperkenalkan konsep dasar Natural Language Processing (NLP) sebagai jembatan antara bahasa manusia dan kemampuan mesin untuk memahaminya. Peserta akan mempelajari definisi, tujuan, dan contoh penerapan NLP melalui analogi sederhana, serta memahami bagaimana pendekatan NLP berkembang dari metode rule-based hingga transformers. Modul ini juga membahas empat komponen utama NLP mencakup syntax, semantics, pragmatics, dan speech/discourse beserta penerapannya dalam contoh nyata seperti POS tagging atau analisis konteks percakapan. Peserta akan mengeksplorasi berbagai tugas inti NLP, termasuk klasifikasi teks, named entity recognition, analisis sentimen, penerjemahan mesin, dan summarization, serta perannya dalam memecahkan masalah dunia nyata. Di akhir modul, peserta mampu mengidentifikasi berbagai aplikasi NLP dalam kehidupan sehari-hari, seperti chatbot, mesin pencari, atau platform e-commerce, dan mengevaluasi dampaknya bagi individu serta organisasi.

Modul ini membahas langkah awal yang krusial dalam pengolahan bahasa alami, Peserta akan memahami definisi, tujuan, dan yaitu text preprocessing, yang bertujuan meningkatkan kualitas data sebelum digunakan dalam proyek NLP. pentingnya preprocessing melalui analogi sederhana, serta mengenali berbagai masalah umum pada teks mentah. Modul ini mencakup teknik dasar seperti case folding dan normalisasi, serta pentingnya konsistensi format data. Peserta juga akan mempelajari konsep dan jenis- jenis tokenisasi (word, sentence, subword), serta mengevaluasi kelebihan dan kekurangannya. Selain itu, modul ini mengajarkan perbedaan dan penerapan stopwords removal, stemming, dan lemmatization, serta dampaknya terhadap representasi teks. Terakhir, peserta akan belajar mengidentifikasi berbagai noise dalam data teks, menerapkan teknik cleaning lanjutan, dan mengevaluasi hasil pembersihan untuk memastikan teks siap diproses lebih lanjut dalam pipeline NLP.

Modul ini membahas konsep pentina dalam Natura Language Processing yaitu representasi teks, yang berperan sebagai jembatan antara bahasa manusia dan bahasa yang dapat dipahami oleh mesin. Peserta akan mempelajari alasan mengapa teks mentah perlu diubah meniadi bentuk numerik serta memahami konsep ini melalui analogi sederhana. Modul ini mencakup berbagai metode representasi teks, mulai dari teknik dasar seperti Bag of Words (BoW dan TF-IDF hingga pendekatan yang lebih canggih seperti word embeddings (Word2Vec, GloVe, FastText) yang mampu menangkap hubungan semantik antar kata. Peserta juga akan mempelajar contextual embeddings menggunakan model modern seperti BERT, GPT, dan ELMo, serta memahami keunggulannya dalam menangkap makna kontekstual secara dinamis. Di akhir modul, peserta mampu membandingkan berbagai teknik representasi teks, memilih metode yang paling sesuai untuk kebutuhan tertentu, dan menerapkannya dalam beragam kasus NLP seperti analisis sentimen, sistem rekomendasi, chatbot maupun pencarian informasi.

Modul ini memperkenalkar dua tugas fundamental dalam Natural Language Processing (NLP): Part-of-Speech (POS) Tagging dan Named Entity Recognition (NER). Peserta akan mempelajari definisi, tujuan, serta peran penting POS Tagging dalam memahami struktur bahasa dengan cara mengidentifikasi kategori kata dalam kalimat Modul juga membahas berbagai pendekatan POS Tagging - mulai dari rule- based hingga deep learning - beserta kelebihan, kelemahan, dan penerapannya pada berbagai Selanjutnya. peserta akan mendalami konsep NER untuk mengenali dan mengklasifikasikan entitas penting seperti nama orang, lokasi, organisasi, atau konteks. tanggal dalam teks. Modul menjelaskan metode-metode NER yang umum digunakan serta menyoroti kontribusi deep learning dalam meningkatkan akurasi dan fleksibilitas sistem. Melalui pemahaman ini, peserta akan mampu menghubungkan POS Tagging dan NER dengan aplikasi dunia nyata seperti penerjemahan otomatis chatbot, dan analisis bisnis sekaligus mengevaluasi peran keduanya dalam pengembangan teknologi berbasis NLP yang lebih cerdas dan kontekstual.

Modul ini membahas secara komprehensif konsep dan praktik text classification sebagai salah satu tugas utama dalam Natural Language Processing (NLP) Peserta akan mempelajari definisi, tujuan, dan beragam aplikasi klasifikasi teks dalam kehidupan sehari-hari sepert spam filtering, sentiment analysis, dan topic categorization. Modul juga menguraikan perbedaan antara pendekatan rule-based dan metode machine learning tradisional (Naïve Bayes, Logistic Regression, SVM), serta mengenalkan peran arsitektur deep learning modern seperti CNN, RNN/LSTM, dan Transformers (BERT, GPT dalam membangun model klasifikas yang lebih canggih. Selain itu, peserta akan memahami tahapan utama dalam pipeline klasifikasi teks - mulai dar preprocessing, representasi data, modeling, hingga evaluasi - dan mempraktikkannya pada studi kasus sederhana. Modul ini juga mengupas tantangan nyata dalam penerapan text classification, seperti ambiguitas bahasa, penggunaan slang, ketidakseimbangan data, dan keberagaman bahasa (multilingual), serta strategi untuk mengatasinya. Dengan demikian, peserta akan memiliki landasan kuat untuk merancang, memilih, dan menerapkan solusi klasifikasi teks sesuai kebutuhan dunia nvata.

Modul ini membahas pentingnya proses evaluasi dalam pengembangan mode NLP untuk memastikan performa model sesuai tujuan. Peserta akan mempelajari definisi dan peran evaluasi layaknya "ujian" bagi model serta memahami berbagaj metrik dasar seperti accuracy, precision, recall, dan F1-score beserta cara penggunaannya dalam konteks nyata. Selain itu, modul juga mengulas struktur confusion matrix untuk menganalisis kesalahan prediksi, serta memperkenalkan metrik lanjutan seperti AUC-ROC, Log Loss, Perplexity, BLEU, dan ROUGE untuk tugas NLP yang lebih kompleks. Di akhir modul, peserta akan mengevaluasi praktik terbaik dalam pengujian model termasuk penggunaan data representatif, cross-validation - penanganan data tidak seimbang, dan pemilihan metrik yang tepat, guna memastikan hasil evaluas yang akurat dan relevan.

Modul ini meniadi puncak pembelajaran dengan fokus pada penerapan pengetahuan NLP dalam proyek nyata sekaligus pengelolaan proyek Al secara efektif. Peserta akan merancang proyek dari awal dengan menentukan tujuan. ruang lingkup, dataset, dan output menggunakan analogi sederhana seperti menyusun resep. Selanjutnya, peserta akan membangun pipeline NLP lengkap - mulai dari preprocessing hingga modeling - dan menerapkannya pada studi kasus klasifikasi teks. Modul juga membahas evaluasi hasil menggunakan berbagai metrik serta strategi iterasi untuk meningkatkan performa model. Selain aspek teknis, peserta akan belajar menyusun dokumentasi dan visualisasi hasil secara komunikatif untuk audiens teknis maupun non-teknis. Di akhir modul, peserta memahami prinsip dasar manajemen proyek Al, termasuk perencanaan, timeline, pembagian peran, metode Agile, dan mitigasi risiko, sehingga mampu mengelola dan menyelesaikan proyek NLP secara efisien dar terstruktur.

Ujian Akhir pada kursus ini