LAPORAN AKHIR

STUDI INDEPENDEN BERSERTIFIKAT

ARTIFICIAL INTELLIGENCE
KLASIFIKASI SENTIMEN TERHADAH EVALUASI DOSEN OLEH
MAHASISWA (EDOM) DENGAN METODE LONG SHORT-TERM
MEMORY (LSTM)

DI PT. HUAWEI TECH INVESTMENT

Diajukan untuk memenuhi persyaratan kelulusan

Program MSIB MBKM

Oleh :

Khibar Pusaka / 17090104

PROGRAM STUDI SARJANA TERAPAN TEKNIK INFORMATIKA

POLITEKNIK HARAPAN BERSAMA
2022
 LEMBAR PENGESAHAN
PROGRAM STUDI SARJANA TERAPAN TEKNIK INFORMATIKA
POLITEKNIK HARAPAN BERSAMA

KLASIFIKASI SENTIMEN TERHADAH EVALUASI DOSEN OLEH

MAHASISWA (EDOM) DENGAN METODE LONG SHORT-TERM
MEMORY (LSTM)

DI PT. HUAWEI TECH INVESTMENT

oleh :
Khibar Pusaka / 17090104

disetujui dan disahkan sebagai

Laporan Magang atau Studi Independen Bersertifikat Kampus Merdeka

Tegal, Februari 2022

Pembimbing Studi Independen untuk mahasiswa dari Program Sarjana Terapan
Teknik Informatika Politeknik Harapan Bersama.

Slamet Wiyono, S.Pd., M. Eng.

ii
 LEMBAR PENGESAHAN
KLASIFIKASI SENTIMEN TERHADAH EVALUASI DOSEN OLEH
MAHASISWA (EDOM) DENGAN METODE LONG SHORT-TERM
MEMORY (LSTM)

DI PT. HUAWEI TECH INVESTMENT

oleh :
Khibar Pusaka / 17090104

disetujui dan disahkan sebagai

Laporan Magang atau Studi Independen Bersertifikat Kampus Merdeka

Tegal, Februari 2022

ICT Talent Eco-System Development Manager PT Huawei Tech Investment

Rayi Pradono Iswara

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.

Tegal, Februari 2022

Khibar Pusaka
iv
 ABSTRAK

PT Huawei Tech Investment merupakan salah satu perusahaan yang ikut

serta dalam memberikan kontribusi pada Program Merdeka Belajar Kampus
Merdeka. Salah satu kegiatan yang ditawarkan adalah Magang dan Studi
Independen Bersertifikat (MSIB) dengan topik Artificial Intelligence atau
Kecerdasan Buatan yang dilaksanakan pada tanggal 1 September 2021 sampai
dengan 31 Januari 2022. Topik tersebut dilaksanakan secara synchronous dan
asynchronous artinya melakukan metode pembelajaran jarak jauh. Topik ini dibuat
khusus agar mahasiswa dapat memahami dan mengerti konsep Artificial
Intelligence, mengasah soft skills, hard skills, dan mempraktikkan hasil
pembelajaran melalui kegiatan proyek kelompok ataupun individu. Beberapa
materi yang dipelajari diantaranya adalah Artificial Intelligence, Computer Vision,
Matematika dan Statistik, Pemrograman Python, dan Natural Language Processing
(NLP). Proyek akhir yang peserta ambil berkaitan dengan Natural Language
Processing yaitu Klasifikasi Sentimen Terhadap Evaluasi Dosen oleh Mahasiswa
(EDOM) dengan Metode Long Short-Term Memory (LSTM). Melalui program
kegiatan ini, mahasiswa bisa mengetahui bagaimana menerapkan atau
mempraktikkan pengembangan Artificial Intelligence menggunakan Bahasa
pemrograman Python.

Kata Kunci : Studi Independen, Huawei, Artificial Intelligence, Pyhton, LSTM.

v
 DAFTAR ISI

LEMBAR PENGESAHAN .................................................................................... ii

LEMBAR PENGESAHAN ................................................................................... iii
KATA PENGANTAR ........................................................................................... iv
ABSTRAK .............................................................................................................. v
DAFTAR ISI .......................................................................................................... vi
BAB I ...................................................................................................................... 1
I.1 Latar Belakang ......................................................................................... 1
I.2 Lingkup .................................................................................................... 2
I.3 Tujuan ...................................................................................................... 3
BAB II ..................................................................................................................... 4
II.1 Struktur Organisasi .................................................................................. 4
II.2 Lingkup .................................................................................................... 4
II.3 Deskripsi Pekerjaan.................................................................................. 5
II.4 Jadwal MSIB ............................................................................................ 7
BAB III ................................................................................................................... 9
III.1 Topik Proyek ............................................................................................ 9
III.2 Proses Penelitian Proyek Akhir .............................................................. 10
III.3 Hambatan Pembuatan Proyek ................................................................ 14
III.4 Hasil dan Pembahasan............................................................................ 15
BAB IV ................................................................................................................. 17
REFERENSI ......................................................................................................... 19
BAB V................................................................................................................... 20
BAB VII ................................................................................................................ 26

vi
 BAB I
PENDAHULUAN

I.1 Latar Belakang

Program kegiatan Kampus Merdeka merupakan salah satu program dari
pemerintah melalui Kementrian Pendidikan dan Kebudayaan untuk Perguruan
tinggi di Indonesia. Adapun singkatan dari program ini adalah MBKM (Merdeka
Belajar Kampus Merdeka), topik yang ditawarkan oleh mahasiswa pada program
ini beragam dan salah satu topik MBKM yaitu Studi Independent Bersertifikat.
Tujuan dari program studi independen bersertifikat ini untuk mengasilkan
mahasiswa yang memiliki kecakapan dan standar tinggi yang sesuai dengan standar
industri. Adapun proses pembelajarannya dilakukan secara online learning, dimana
peserta harus mengimplementasikan materi yang diperolehnya secara langsung
melalui proyek dan tugas - tugas yang harus diselesaikan pada setiap materinya.
Studi Independen Bersertifikat (SIB) yang diadakan oleh Huawei memiliki
topik yaitu Artificial Intelligence (AI). Huawei memperkenalkan SIB Artificial
Intelligence karena pada era sekarang implementasi AI sangat digunakan,
implementasi AI ini tidak terbatas, karena disesuaikan dengan kebutuhan yang ada
sesuai dengan pertumbuhan teknologi yang sudah sangat pesat. AI sangat
membantu dikarenakan dapat mempermudah pengguna dalam melakukan aktivitas
sehari-hari pada penerapannya.
Dalam kegiatan SIB AI Huawei yang menjadi benang merahnya adalah
bagaimana peserta bisa membuat prototype produk di lingkungannya sendiri dalam
hal ini adalah kampus. Oleh karena itu topik utama pada proposal SIB ini yaitu
Implementasi Al pada kampus atau bisa disebut Smart Campus. Program SIB AI
Huawei diakhiri dengan final project, yakni peserta akan mengembangkan project
dan menemukan solusi dari pennasalahan yang disampaikan oleh mentor. Adapun
output dari pembelajaran ini, yaitu HKI, publikasi ilmiah serta produk yang dibuat
oleh peserta yang tujuannya adalah smart campus.

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

II.1 Struktur Organisasi

Struktur Organisasi Huawei Indonesia – Enterprise Business Group
Departmen

Position
EBG D&S Manager

FR & Service Sales PMO TMO ICT talent Eco-System

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

Bagan 2.1 Struktur Organisasi Huawei Indonesia – Enterprise Business

Group Departmen
Pada Kegiatan MSIB ini kami ditempatkan berada dibawah naungan Divisi
ICT Talent Eco-System, dimana ICT Talent Eco-System adalah bagian dari
Enterprise Business Group Department dari Huawei Indonesia.

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.

II.3 Deskripsi Pekerjaan

Pembelajaran pada program Studi Independen Bersertifikat Artificial
Intelligence Huawei diantaranya :
a. Artificial Intelligence
Tujuan pada pembelajaran Artificial Intelligence memberikan
pengetahuan kepada peserta terkait konsep dasar AI, bagaimana
merancang system yang didalamnya memuat AI dan juga pengolahan
data dari system AI. Adapun materi utama pada pembelajaran Artificial
Intelligence ini adalah Konsep dasar AI, metode Penelitian AI, Siklus
proyek AI dan sertifikasi AI. Output yang diharapkan dalam
pembelajaran ini adalah peserta dapat merancang system berbasis AI
serta mendapatkan materi untuk persiapan sertifikasi.
b. Mathemathic for AI
Tujuan pada pembelajaran Mathematic for AI memberikan knowledge
kepada peserta terkait matematika dan statistik yang akan dipakai dalam
analisis pada metode-metode yang terdapat di Artificial Intelligence.
Adapun materi pada pembelajaran ini yang diberikan adalah Aljabar
Linier dan Matematika diskrit. Output dari pembelajaran ini adalah
peserta dapat menggunakan dan menerapkan ilmu terkait logika
matematika sampai graf dibidang AI.
c. Computer Vision
Tujuan dari pembelajaran ini adalah memberikan pemahaman dan
pendalaman materi kepada mahasiswa untuk mengetahui, mengerti serta
dapat menerapkan AI untuk pengolahan Computer Vision. Materi yang
disampaikan pada pembelajran ini berupa computer vision, menerapkan
metode Machine Learning dan Deep Learning untuk case object
recognition ataupun video processing. Output dari pembelajaran ini
5
 adalah mahasiswa/i dapat menyelesaikan case terkait pemrosesan image
atau video dengan berbagai macam metode baik Machine Learning
ataupun Deep Learning.
d. Python Programming Basic
Tujuan dari pembelajaran pemrograman secara basic pada bahasa
pemrograman python adalah untuk meberikan pengetahuan, mengerti
dan menggunakan bahasa python kepada mahasiswa untuk
menyelesaikan study kasus. Materi yang diberikan pada basic
pemrograman ini adalah pengenalann python, dasar python serta
implementasi python. Output dari pembelajaran ini adalah mahasiswa
dapat menyelesaikan studi kasus yang diberikan oleh pengajar dengan
menggunakan python sederhana.
e. Python Programming Lanjutan
Tujuan dari pembelajaran pemrograman secara basic pada bahasa
pemrograman python adalah untuk meberikan pengetahuan, mengerti
dan menggunakan bahasa python kepada mahasiswa untuk
menyelesaikan study kasus, terutama diranah Artificial Intelligence.
Materi yang diberikan pada basic pemrograman ini adalah penggunaan
library pada python serta implementasi dan penyelesaian study kasus di
ranah AI. Output dari pembelajaran ini adalah mahasiswa dapat
menyelesaikan study kasus dalam ranah AI yang diberikan oleh pengajar
menggunakan menu library pada python.
f. Natural Language Processing
Tujuan dari pembelajaran Natural Language Processing adalah untuk
memberikan pengetahuan dan cara menyelesaikan case terkait proses
ekstraksi pada teks. Adapun riset dalam cakupan NLP antara lain
Question Answering Systems, Summarization, machine translation,
speech recognition dan document classification. Materi yang diberikan
pada NLP adalah Konsep dasar NLP, supervised dan unsupervised
learning untuk pemecahan case di NLP. Output dari pembelajaran ini
6
 mahasiswa dapat menyelesaikan case seperti analisis sentimen,
summarization serta klasifikasi emosi dengan supervised atau
unsupervised learning dengan berbagai macam metode pada Machine
Learning.

II.4 Jadwal MSIB

Tabel 2.1 Jadwal Mentoring Artificial Intelligence Huawei
Hari Jam Judul Mentor
Artificial M. Fikri Hidayatullah,
Senin 13.00 – 15.00
Intelligence M.Kom.
Hepatika Zidny Ilmadina,
Selasa 08.30 – 12.00 ComputerVision
S.Pd., M.Kom.
Math and Riszki Wijayatun Pratiwi,
Rabu 10.30 – 12.30
Statistic S.Kom., M.Cs.
1. Riszki Wijayatun
Python Pratiwi, S.Kom., M.Cs
Kamis 08.30 – 11.30
Programming 2. M. Fikri Hidayatullah,
S.T., M.Kom.
Natural Language Dwi Intan Af'idah, S.T.,
Jumat 08.00 – 11.30
Processing M.Kom.
Jadwal kegiatan mentoring Artificial Intelligence dapat dilihat pada tabel 2.1.
Kegiatan mentoring dilaksanakan sebanyak lima pertemuan dalam satu minggu.
Untuk hari senin, mentoring yang diberikan berjudul Artificial Intelligence dengan
mentor Bapak M. Fikri Hidayatullah, M.Kom., hari selasa berjudul Computer
Vision dengan mentor Ibu Hepatika Zidny Ilmadina, S.Pd., M.Kom., hari rabu
berjudul Math and Statistic dengan mentor Ibu Riszki Wijayatun Pratiwi, S.Kom.,
M.Cs., hari kamis berjudul Artificial Intelligence dengan mentor Ibu Riszki
Wijayatun Pratiwi, S.Kom., M.Cs. untuk Python Basic dan Bapak M. Fikri
Hidayatullah, M.Kom.untuk Python lanjutan, hari Jumat berjudul Natural

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

III.1 Topik Proyek

Dalam pelaksanaan kegiatan Studi Independen Bersertifikat dengan topik
Artificial Intelligence dari Huawei, ada beberapa hal yang dapat penulis pelajari
salah satunya adalah Natural Language Processing. Natural Language Processing
adalah suatu area penelitian yang mengeksplorasi bagaimana komputer dapat
memahami dan memanipulasi bahasa alami baik yang berupa teks ataupun suara
untuk melakukan hal yang berguna. NLP bertujuan untuk mengumpulkan ilmu
tentang bagaimana manusia memahami dan menggunakan bahasa sehingga dapat
digunakan pada komputer agar dapat memahami dan memanipulasi bahasa alami
sesuai dengan tujuan penggunaannya.
NLP dapat diterapkan pada beberapa bidang, salah satunya adalah analisa dan
klasifikasi sentimen evaluasi dosen oleh mahasiswa (EDOM). EDOM merupakan
media untuk menilai kinerja dosen dalam satu semester yang dilakukan oleh seluruh
mahasiswa Politeknik Harapan Bersama. Pada EDOM Politeknik Harapan Bersama
memiliki beberapa poin tentang kontrak kuliah, penyampain materi, kesopanan, dan
poin lainnya dimana memiliki tingkat nilai yang diberi 4 label yakni kurang, cukup,
baik, dan sangat baik. Dari nilai tersebut dapat menjadi bahan evaluasi Politeknik
Harapan Bersama terhadap kinerja dosen dalam satu semester. Menariknya dari
EDOM Politeknik Harapan Bersama terdapat fitur komentar untuk menyalurkan
opini mahasiswa kepada dosen yang mengampu materi. Dimana kalimat atau
komentar tersebut menjadi salah satu poin yang dapat dijadikan sebagai evaluasi
dosen. Komentar yang direkam pada EDOM Politeknik Harapan Bersama belum
memiliki nilai yang menafsirkan makna kurang, cukup, baik dan sangat baik
sehingga harus di tafsirkan secara manual secara prasangka manusia. Hal tersebut
menyebabkan tidak konsisten makna komentar karena pada dasarnya manusia
memiliki padangan yang berbeda antara manusia satu dengan manusia lainnya[1].

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.

III.2 Proses Penelitian Proyek Akhir

Pada proyek akhir ini dilakukan beberapa tahap penelitian,yaitu :
1. Data Akusisi
Data yang digunakan dalam penelitian ini adalah komentar yang diisi
oleh mahasiswa pada EDOM yang diminta ke pihak kampus dengan
melalui perizinan nantinya.
2. Preprosessing
Proses ini digunakan untuk membersihkan data dari noise dan siap
untuk digunakan pada proses selanjutnya, proses preprocessing
memiliki beberapa tahapan berikut merupakan tahap-tahap
preprocessing.
a. Cleansing: Pada proses cleansing kalimat dibersihkan dari tanda
baca, URL, username, hastag (#) dan emoticon.
b. Case folding: Merupakan proses pengubahan huruf dari huruf yang
bercampur (lowercase dan uppercase) menjadi semua huruf kecil.
c. Tokenization: Merupakan proses untuk merubah kalimat menjadi
token-token atau potongan kata tunggal.
d. Stopword Removal : Merupakan penghilangan kata yang tidak
berbobot meskipun kata tersebut sering kali hadir di dalam kalimat.
3. Pelabelan
Proses ini memberikan label pada setiap komentar secara manual
dibantu ahli bahasa untuk menafsirkan makna sentimen setiap
komentar kedalam 4 label yaitu kurang, cukup, baik dan sangat baik.
4. Pembobotan TF-IDF
10
 Setelah melewati proses preprocessing, langkah selanjutnya adalah
tahap pembobotan menggunakan Term Count Vectorizer. Tahap
pembobotan ini bertujuan untuk memberikan nilai frekuaensi suatu
kata sebagai bobot yang nantinya dapat di proses pada LSTM.
5. Klasifikasi
Merupakan suatu proses pemberian nilai objek data ke salah satu kelas
tertentu dari beberapa kelas yang sudah didefinisikan menggunakan
algoritma Long Short-Term Memory (LSTM) untuk membuat model
klasifikasi. Pada tahapan awal dalam membangun model LSTM
adalah dengan mengidentifikasi suatu informasi yang tidak diperlukan
lagi dan akan dihilangkan dari sebuah sel informasi. Pada proses
dalam mengidentifikasi dan mengecualikan suatu sel informasi ini
diputuskan oleh fungsi sigmoid, yang mengambil suatu output dari
model LSTM (ht-1) pada waktu berikut (t – 1) dan pada input (Xt)
memiliki waktu t. Selain itu, fungsi sigmoid menentukan bagian mana
dari output lama yang harus dihilangkan. Fungsi itu disebut dengan
Forget gate di mana ft adalah vector dengan nilai mulai dari 0 hingga
1, sesuai dengan setiap angka dalam keadaan sel (Ct – 1).

Pada tahapan ini, σ berfungsi sebagai sigmoid, pada suatu lapisan

sigmoid ini akan menghasilkan angka antara 0 dan 1, yang
menggambarkan seberapa banyak setiap komponen harus dilewati.
Pada nilai 0 mengartikan sebagai tidak ada suatu informasi yang akan
diteruskan dan pada nilai 1 mengartikan semua informasi akan
diteruskan, jika keluaranya 1 maka 1 sebagai semua data yang akan
disimpan dan kebalikannya pada keluaran 0 maka semua data akan
dibuang. Rumus sebagai berikut :

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.

Fungsi tanh dalam persamaan (1.4) memberikan suatu bobot pada

nilai-nilai yang dilewati, memutuskan suatu tingkat kepentingannya (-
1 ke 1). Dua nilai dikalikan untuk memperbarui status sel baru.
Memori baru ini kemudian ditambahkan ke memori lama (𝐶𝑡−1) yang
menghasilkan (𝐶𝑡). Parameter (𝐶𝑡−1) dan (𝐶𝑡) adalah keadaan sel
pada waktu (t – 1) dan (t), sedangkan W dan b adalah matriks bobot
serta bias, masing-masing, dari keadaan sel.

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

Jenis pengujian sistem ini menggunakan metode black box,

Pengujian black box lebih mengutamakan pada input yang diberikan
dan hasil yang diberikan tanpa perlu mengetahui proses yang terjadi
didalamnya. Selain itu juga dapat mengamati hasil eksekusi melalui
data uji, dan memeriksa fungsional dari interface perangkat lunak.
Pengujian yang telah dilakukan menunjukkan bahwa semua konten
dan button berjalan dengan yang diharapkan.

III.3 Hambatan Pembuatan Proyek

Dalam pembuatan proyek, tak lepas dari berbagai kendala dan hambatan.
Kendala tersebut bisa disebabkan oleh factor internal dan eksternal. Diantara
kendala internal yang penulis hadapi diantaranya masih kurangnya pengetahuan
tentang NLP dan bahasa pemograman python. Oleh sebab itu dalam pembuatan
program, penulis menjumpai berbagai macam error. Namun, error tersebut dapat
penulis perbaiki dengan mencari referensi melalui internet. Tak hanya itu, penulis
juga harus membagi waktu antara pengerjaan proyek dengan waktu kerja.
Sedangkan untuk kendala eksternal yang dihadapi adalah kurangnya kemampuan
pemrosesan computer yang penulis gunakan sehingga menyebabkan lambatnya
proses training program yang dibuat dan sempat mengalami kerusakan yang
memakan waktu sebulan lebih untuk perbaikan laptop.

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 :

a) Processor Intel Core i5 Gen 7

b) HDD 1 TB
c) RAM 8 GB
d) Nvidia Geforce 930MX
2) Perangkat Lunak
Adapun perangkat lunak yang digunakan pada penelitian ini yaitu :

No. Jenis Perangkat Lunak Fungsi

1 Windows 10 Operating System

3 Google Colaboratory Tools

4 Google Drive Tools

5 Pycharm Tools

6 Microsoft Word Pengolah Kata

7 Microsoft Excell Pengolah file csv

8 Flask Framework

Tabel 2. Kebutuhan perangkat lunak

16
 BAB IV
PENUTUP

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.

[2] A. Puspaningrum and M. S. Bunga, “Klasifikasi Perubahan Perangkat

Lunak pada Mobile App Review dengan Menggunakan Metode Long
Short Term Memory ( LSTM ) Jurnal IKRA-ITH Informatika Vol 4 No
3 November 2020 Jurnal IKRA-ITH Informatika Vol 4 No 3 November
2020,” vol. 4, no. 08, pp. 41–46.

[3] Cassey K. N. Paputungan , Agustinus Jacobus, A. Sentimen et al.,

“Sentiment Analysis of Social Media Users Using Long-Short Term
Memory Method,” vol. 10, no. 2, pp. 99–106, 2021.

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

ComputerVision Segmentasi pada pengolahan citra

Math and
Operasi Matriks
Statistic
Python
List dan Tuple pada Python
Programming
Natural Language Transformasi data menggunakan
Processing pendekatan Bag of Word
Pertemuan Keenam Artificial
Overview Machine Learning
25 – 29 Oktober 2021 Intelligence

ComputerVision Metode klasifikasi

Math and
Eliminasi Matriks
Statistic

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

ComputerVision Praktikum Metode klasifikasi

Math and
Operasi data Kelompok
Statistic
Python Fungsi, Modul, File I/O,
Programming Exception, dan Objek & Class
Natural Language
Word Embeddings dan Word2Vec
Processing
Pertemuan
Kedelapan Artificial Klasifikasi Algoritma Naive
08 – 12 November Intelligence Bayes
2021

Ekstraksi Fitur (Feature

ComputerVision
Extraction)
Math and
Himpunan
Statistic
Python Akses Database, Networking, dan
Programming Pengembangan Web
Natural Language Praktikum Word Embeddings
Processing menggunakan metode Word2Vec
Pertemuan Artificial
K-Means Clustering
Kesembilan Intelligence

28
15 – 19 November
2021

ComputerVision Metode Klasifikasi Citra CNN

Math and
Standar Deviasi
Statistic
Python
Library pada Python
Programming
Natural Language
Building Dataset
Processing
Pertemuan
Kesepuluh Artificial
Fuzzy Logic
22 – 26 November Intelligence
2021
Ekstraksi Fitur metode SVM dan
ComputerVision
CNN
Math and
Optimasi Problem
Statistic
Python
Praktikum K-Means Clustering
Programming
Natural Language
NLP Using Machine Learning
Processing
Pertemuan Kesebelas Artificial
Algoritma Decision Tree
29 Nov – 03 Des 2021 Intelligence
ComputerVision Metode Transfer Learning
Math and Optimasi Problem menggunakan
Statistic model matematika
Python Praktikum Building Decision Tree
Programming and Validation

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