Aplikasi yang menggunakan teknologi NLP
Nah, sedangkan media monitoring analisis sentimen adalah aplikasi yang menggunakan teknologi NLP. Bahkan untuk membantu mengambil informasi khusus dari berbagai pendapat yang tersebar di media sosial. Untuk menjadi yang terdepan pada sebuah bisnis, perusahaan memerlukan feedback dari pelanggannya. Saat media sosial belum berkembang, feedback ini di peroleh melalui survei yang di isi pelanggan.
Namun dengan berkembangnya penggunaan media sosial, informasi berupa pendapat pelanggan ini dapat juga di peroleh melalui media sosial. Kelebihan penggunaan media sosial di bandingkan pada survei adalah ketepatan pendapat yang bisa berubah – ubah dalam rentang waktu tertentu, kesimpulan dapat di peroleh lebih cepat, dan biaya yang lebih murah.
Salah satu teknologi NLP yang banyak di gunakan 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.
Bagaimana Cara mereka Melakukan Pekerjaannya.
Nah, pada dasarnya strategi teknik yang sering juga lho di gunakan dalam membangun teknologi NLP. Dan ini juga dapat di bagi menjadi dua teknik pemrosesan NLP. Yaitu strategi berbasis aturan yang secara manual di tuliskan oleh manusia (rule based technique) atau strategi berbasis aturan yang secara otomatis di peroleh dari data (statistical based technique atau machine learning based technique).
Teknik pertama di gunakan jika aturan-aturan tersebut mudah di tuliskan. Dalam aplikasi penyaring SMS spam, contohnya, teknik pertama di implementasikan oleh teknisi data dengan cara menuliskan kata-kata filter yang di golongkan sebagai spam. Contoh kata penanda spam adalah selamat Anda mendapatkan, butuh pinjaman?, mari berlangganan dengan… dan lainnya. Dalam konteks ini di buat aturan bahwa jika sebuah pesan pendek mengandung lebih dari 5 kata penanda spam, maka pesan tersebut dapat dinyatakan sebagai informasi sampah.
Nah, sedangkan Kelemahan dari teknik pertama ini adalah tidak akurat untuk menangani masalah yang kompleks, misalnya pola struktur kalimat yang rumit atau terdapat unknown word (kata yang tidak terdapat pada daftar kata). Hal ini yang mendorong berkembangnya teknik kedua, machine learning based technique. Dalam teknik ini, berbagai aturan (termasuk daftar kata penting) di peroleh secara otomatis melalui data.