Oleh :
oleh :
Khibar Pusaka / 17090104
ii
LEMBAR PENGESAHAN
KLASIFIKASI SENTIMEN TERHADAH EVALUASI DOSEN OLEH
MAHASISWA (EDOM) DENGAN METODE LONG SHORT-TERM
MEMORY (LSTM)
oleh :
Khibar Pusaka / 17090104
iii
KATA PENGANTAR
Puji serta syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas
seluruh rahmatNya sehingga Magang & Studi Independen Bersertifikat (MSIB)
aktivitas Kampus Merdeka berjalan dengan baik hingga akhir kegiatan.
Laporan ini, dibuat untuk memenuhi persyaratan pertanggungjawaban atas
keikutsertaan dalam Program Studi Independen. Laporan bertujuan untuk
memaparkan project serta kegiatan pembelajaran dan hasil aktivitas Program Studi
Independen yang dilaksanakan tertanggal 20 September 2021 hingga 28 Februari
2022.
Penulis mengucapkan terimakasih kepada pihak yang ikut serta dalam
penerapan Program Studi Independen hingga dengan penataan laporan akhir ini
yang sudah memberikan dukungan moral serta bimbingan. Ucapan terimakasih ini
ditujukan kepada :
1. Bapak Slamet Wiyono, S.Pd., M.Eng selaku Ketua Program Studi D
IV Teknik Informatika Politeknik Harapan Bersama Tegal dan
pembimbing akademik dalam program MSIB Kampus Merdeka.
2. Bapak M. Fikri Hidayatullah, M.Kom, Ibu Hepatika Zidny Ilmadina,
S.Pd., M.Kom., Ibu Riszki Wijayatun Pratiwi, S.Kom., M.Cs., Ibu
Dwi Intan Af'idah, S.T., M.Kom., selaku mentor dalam program
MSIB Kampus Merdeka.
3. Bapak Rayi Pradono Iswara, selaku ICT Talent Eco-System
Development Manager di PT Huawei Tech Investment
4. Rekan tim yang turut berpartisipasi dalam kegiatan Studi
Independen di PT Huawei Tech Investment.
Laporan ini jauh dari kata sempurna dan masih terdapat beberapa
kekurangan, oleh karena itu penulis sangat mengharapkan saran dan kritik sehingga
laporan ini dapat memberikan manfaat bagi bidang pendidikan serta bisa
dikembangkan lebih lanjut.
Khibar Pusaka
iv
ABSTRAK
v
DAFTAR ISI
vi
BAB I
PENDAHULUAN
1
I.2 Lingkup
Mengacu pada lampiran TOR, mahasiswa berkewajiban untuk memiliki
proyek-proyek sesuai dengan kegiatan yang telah di lakukan di PT Huawei Tech
Invesment, seperti :
a. Proyek Build Decision Tree dan Validation
Proyek ini merupakan proyek akhir dari mentoring yang berjudul
Artificial Intelligence (Kecerdasan Buatan). Penulis diminta untuk
membangun algoritma Decision Tree dan Model Validation
menggunakan Bahasa pemrograman Python. Studi kasus yang penulis
ambil adalah Indeks Kesehatan Udara di Jakarta pada bulan Juli tahun
2020.
b. Proyek klasifikasi citra sebuah dataset
Proyek ini merupakan proyek akhir dari mentoring yang berjudul
Computer Vision (Visi Komputer). Penulis diminta untuk membangun
klasifikasi sebuah citra menggunakan Bahasa pemrograman Python yang
telah diberikan datasetnya oleh mentor. Dataset yang penulis ambil
adalah Klasifikasi Corak Batik. Metode yang penullis gunakan adalah
Convolutional Neural Network (CNN).
c. Tugas penerapan AI dengan Matematika dan Statistik
Tugas ini merupakan tugas akhir dari mentoring yang berjudul Math and
Statistic (Matematika dan Statistik). Penulis diminta untuk
mempresentasikan contoh penerapan Artificial Intelligence dengan
Matematika dan Statistik. Algoritma yang penulis ambil adalah
Algoritma Naïve Bayes.
d. Proyek Building K-Means Clustering
Proyek ini merupakan proyek akhir dari mentoring yang berjudul Python
Programming (Pemrograman Python). Penulis diminta untuk
membangun algoritma K-Means Clustering menggunakan Bahasa
2
pemrograman Python. Studi kasus yang penulis ambil adalah data tinggi
mahasiswa sebuah kelas.
e. Proyek Natural Language Processing menggunakan Machine Learning
dan Deep Learning
Proyek ini merupakan proyek akhir dari mentoring yang berjudul Natural
Language Processing. Penulis diminta untuk membangun sentiment
analisis menggunakan bahasa pemrograman Python. Studi kasus yang
penulis ambil adalah sentimen analisis antara tweet dengan kata kunci
Joe Biden dan Donald Trump.
I.3 Tujuan
a. Mahasiswa memperoleh pengetahuan di bidang Artificial Intelligence
Technology dalam bidang industry
b. Mahasiswa dapat menerapkan serta mengimplementasikan Artificial
Intelligence di lingkungan kampus
c. Mahasiswa dapat membuat produk untuk tema smart campus ber HKI
dan dapat melakukan publikasi ilmiah
d. Mahasiswa dapat memperoleh peluang untuk mendapatkan sertifikat
internasional.
3
BAB II
PT HUAWEI TECHNOLOGY INVESTMENT
Position
EBG D&S Manager
Account Position
Position Position Position
ISP SSR
PMO Leader TMO(Engineering)
Leader
Leader
Gov. SSR
Revenue Maintenance Instructor
Energy CSM
PRPO/CSO IT ICT
Transport
Student
IP
FSI
Transmission
II.2 Lingkup
Divisi ICT Talent Eco-System bertanggung jawab atas pengembangan bakat
mulai dari pengembangan kursus, pemberdayaan pelatih, hingga pengaturan
lingkungan lab, dan dari sertifikasi bakat, kompetisi, hingga pekerjaan. Solusinya
4
bekerja dengan pemerintah, universitas, dan perusahaan untuk membangun model
pengembangan bakat TIK baru dan ekosistem bakat yang efektif.
7
Language Processing dengan mentor Ibu Dwi Intan Af'idah, S.T., M.Kom.
Kegiatan mentoring diisi dengan materi dan praktikum dan dilaksanakan secara
daring sampai dengan pertemuan keempat belas. Untuk pertemuan kelima belas
hingga akhir, peserta diminta untuk menyelesaikan proyek akhir kegiatan MSIB ini.
8
BAB III
ARTIFICIAL INTELLIGENCE
9
Berdasarkan latar belakang dan permasalahan yang telah dipaparkan maka
topik proyek yang diambil oleh penulis adalah “Klasifikasi Sentimen Terhadap
Evaluasi Dosen oleh Mahasiswa (EDOM) dengan Metode Long Short-Term
Memory (LSTM)”. Nantinya proyek ini akan penulis kembangkan sehingga dapat
bermanfaat bagi penerapan Smart Campus di Politeknik Harapan Bersama.
11
Pada input gate memiliki dua gates yang akan dilaksanakan, pertama
akan ditentukan nilai yang akan diperbaharui dengan menggunakan
sebuah fungi aktivasi sigmoid. Selanjutnya mengatur sebuah nilai dari
input untuk diperbarui pada cell state, dapat dihitung dengan
persamaan (1.1). Forget gate mengatur informasi mana yang akan
dihapus dari cell state, dapat dihitung dengan persamaan (1.2) dan
output gate mengatur nilai yang akan dihasilkan output sesuai dengan
input dan memori pada cell state, dapat dihitung dengan persamaan
(1.3). Dimana 𝑖𝑡 adalah sebuah input gate, 𝑓𝑡 adalah sebuah fungsi
forget gate, dan ot adalah sebuah output gate. 𝜎 adalah fungsi sigmoi,
W dan b adalah matriks bobot dan bias, masing-masing dari keadaan
sel. (ℎ𝑡−1) merupakan concealed state yaitu memori pada jaringan
yang terdapat di cell state yang merupakan nilai output sebelum orde
ke t dan xt merupakan input pada orde ke t.
12
Pada tahapan terakhir terlihat pada persamaan di rumus (1.6) nilai
output (ℎ𝑡) yang didasarkan pada sel output (𝑂𝑡) merupakan versi
yang difilter. Pada awal lapisan sigmoid memutuskan bagian sel mana
yang membuatnya menjadi output. Setelah itu pada output dari
gerbang sigmoid (𝑂𝑡) dikalikan dengan nilai-nilai baru yang dibuat
pada lapisan tanh dari keadaan sel (𝐶𝑡), dengan nilai berkisar antara
−1 dan 1[14].
6. Evaluasi
Metode evaluasi yang digunakan yaitu confusion matrix yang
menghasilkan nilai accuracy, precision dan recall serta Kurva ROC
untuk mengukur nilai AUC. Dengan semakin besar area under curva
(AUC), semakin baik hasil prediksi. Perhitungan dari confusion
matrix dinyatakan dalam Persamaan (1) sampai dengan Persamaan
(3). Parameter TP (True Positive) menunjukkan jumlah prediksi
positif dari aktual kelas positif. FP (False Positive) menyatakan
jumlah prediksi positif dari kelas aktual negatif. TN (True Negative)
menyatakan jumlah prediksi negatif dari kelas aktual negatif. FN
(False Negative) menunjukkan jumlah prediksi negatif dari kelas
aktual positif.
7. Implementasi Sistem
Tahapan ini adalah menerapkan sebuah desain yang telah
direncanakan sesuai dengan apa yang telah di implementasikan,
kemudian melakukan perkodean aplikasi dengan menggunakan
bahasa framework flask untuk mendapatkan perangkat lunak yang
diinginkan.
13
8. Pengujian Sistem
14
III.4 Hasil dan Pembahasan
Berikut tampilan aplikasi :
a. Dashboard klasifikasi
b. Proses klasifikasi
15
Pada poin evaluasi menjadi penting dalam projek ini, karena melalui
evaluasi dapat menjadikan rancangan aplikasi yang dibangun berjalan
dengan baik serta mendapatkan hasil maksimal dari cara system kerja dan
hasil system yang telah dijalankan. Dalam proses pengujian Klasifikasi
Emosi Edom ini menggunakan blackbox testing serta dan menggunakan
framework flask untuk website nya. Sedangkan untuk dataset melaluli data
akusisi dari bagian terkait pada Politeknik Harapan Bersama. Pada
penelitian ini menggunakan beberapa perangkat untuk menunjang
keberhasilan penelitian. Berikut beberapa alat penelitian yang di rincikan:
1) Perangkat Keras Laptop
Detail spesifikasi :
5 Pycharm Tools
8 Flask Framework
IV.1 Kesimpulan
Berdasarkan pemaparan dari Bab I, II, dan III maka penulis dapat
menyimpulkan sebagai berikut :
1. Kegiatan studi independen yang telah dilaksanakan berjalan dengan
baik dan kondusif. Selain menambah pengalaman, kegiatan ini juga
menambah wawasan pengetahuan di luar program studi yang diambil.
Peserta dituntut untuk aktif dalam melaksanakan kegiatan baik dalam
pembelajaran materi maupun praktik
2. Dari proyek akhir yang dibuat, dapat disimpulkan bahwa dalam NLP
menggunakan metode LSTM dibutuhkan dataset yang cukup banyak
agar tingkat akurasi dari proses training dan testing dapat lebih baik.
Selain itu, data yang ditangkap juga harus melewati preprocessing agar
proses pembobotan kata lebih efektif. Metode LSTM merupakan
metode yang tepat dalam persoalan mengidentifikasi huruf dan angka.
3. Dalam proses training, perlu adanya resource yang cukup besar agar
training dapat berjalan lebih cepat.
IV.2 Saran
Dari pelaksanaan studi independent bersertifikat dan proyek akhir yang sudah
dilakukan, dapat diberikan saran bagi pelaksana maupun bagi penulis pribadi
sebagai berikut
1. Untuk kedepannya yaitu MSIB batch 2 hal yang berkaitan dengan teknis
seperti platform yang digunakan agar dapat dioperasikan atau digunakan
secara lebih optimal
2. Memperbanyak media atau saluran untuk peserta agar melakukan
praktik secara langsung dari berbagai pengetahuan dan keterampilan
yang telah dipelajari.
17
3. Dari proyek akhir yang dikerjakan masih perlu adanya pengembangan
lebih lanjut agar teknologi Artificial Intelligence dapat bermanfaat dan
mewujudkan Smart Campus
18
REFERENSI
[1] M. A. Nurrohmat and A. SN, “Sentiment Analysis of Novel Review
Using Long Short-Term Memory Method,” IJCCS (Indonesian J.
Comput. Cybern. Syst., vol. 13, no. 3, p. 209, 2019, doi:
10.22146/ijccs.41236.
19
BAB V
Lampiran A. TOR
20
21
LAMPIRAN B
22
23
24
25
BAB VII
LAMPIRAN B. LOG ACTIVITY
Tabel 2.2 Rincian Kegiatan Mentoring Artificial Intelligence Huawei
Pertemuan ke- Judul
Materi
/Tanggal Mentoring
Pertemuan Pertama Artificial Kontrak Mentoring Artificial
20-24 September 2021 Intelligence Intelligence
Kontrak Mentoring Computer
ComputerVision
Vision
Math and Kontrak Mentoring Matematika
Statistic dan Statistik
Python Kontrak Mentoring Python
Programming Programming
Natural Language
Kontrak Mentoring NLP
Processing
Pertemuan Kedua Artificial Pendahuluan Artificial
27 Sep - 01 Okt 2021 Intelligence Intelligence
ComputerVision Pendahuluan Computer Vision
Math and Pendahuluan Matematika dan
Statistic Statistik
Python Pendahuluan Python
Programming Programming
Natural Language
Pendahuluan NLP
Processing
Pertemuan Ketiga Artificial Sejarah Perkembangan Artificial
04 - 08 Oktober 2021 Intelligence Intelligence
ComputerVision Image Proccessing
Math and
Konsep Aljabar Linear
Statistic
26
Python
Operator pada Python
Programming
Natural Language
Pengenalan Tools NLP
Processing
Pertemuan Keempat Artificial Sejarah Perkembangan Metode
11 – 15 Oktober 2021 Intelligence Searching
ComputerVision Praktikum Image Proccessing
Math and
Matriks
Statistic
Python
Number dan String pada Python
Programming
Natural Language
Stemming dan Padding
Processing
Pertemuan Kelima Artificial
Knowledge Representation
18 – 22 Oktober 2021 Intelligence
27
Python Dictionary dan Tanggal & Waktu
Programming pada Python
Natural Language Transformasi teks menjadi
Processing struktur data
Pertemuan Ketujuh
Artificial
01 – 05 November Data Mining
Intelligence
2021
28
15 – 19 November
2021
29
Pemberian Proyek NLP Using
Natural Language
Machine Learning dan Deep
Processing
Learning pada python
Pertemuan Kedua
belas Artificial
Presentasi Tugas Decision Tree
06 – 10 Desember Intelligence
2021
Praktikum Metode Transfer
ComputerVision
Learning
Math and Metode optimasi menggunakan
Statistic metode Newton Raphson
Presentasi Tugas Decision Tree
Python
(Pohon Keputusan) dan Model
Programming
Validation
Presentasi Proyek NLP Using
Natural Language
Machine Learning dan Deep
Processing
Learning pada python
Pertemuan Ketiga
belas Artificial
Demo MatLab
13 – 17 Desember Intelligence
2021
Demo Aplikasi Computer Vision
ComputerVision
(Deteksi Pengendara Mengantuk)
Math and Metode optimasi menggunakan
Statistic metode Golden Sectioan
Python Komparasi dan Validasi
Programming Algoritma pada AI
Natural Language Machine Learning dan Deep
Processing Learning pada AI
30
Pertemuan Keempat
belas Artificial
Pembekalan Sertifikasi
20 – 24 Desember Intelligence
2021
Deteksi Objek menggunakan
ComputerVision
metode Haar Cascade
Penerapan dari Matematika dan
Math and
Statistik untuk Artificial
Statistic
Intelligence
Python
Confusion Matrix dan Validasi
Programming
LSTM (Long Short Term
Natural Language
Memory) untuk Natural Language
Processing
Processing
31