A) Menganalisis sentimen dari sebuah teks.
B) Mengubah ucapan menjadi teks.
C) Menerjemahkan teks dari satu bahasa ke bahasa lain secara otomatis.
D) Menghasilkan respons teks yang mirip dengan bahasa manusia.

A) Menerjemahkan teks dari satu bahasa ke bahasa lain.
B) Menghasilkan teks acak berdasarkan model yang diberikan.
C) Menentukan sentimen atau opini yang diungkapkan dalam sebuah teks.
D) Menganalisis tata bahasa dan sintaksis sebuah kalimat.

A) Model semantik
B) Model Markov
C) Model n-gram
D) Model sintaksis

A) Menentukan sentimen keseluruhan dari sebuah teks.
B) Mengidentifikasi entitas bernama dalam teks, seperti nama, organisasi, dan lokasi.
C) Mengubah ucapan menjadi teks.
D) Mengenali berbagai bahasa dalam sebuah teks multibahasa.

A) Mengidentifikasi hubungan antara kata-kata dalam sebuah kalimat.
B) Menganalisis nada emosional dari sebuah teks.
C) Menghasilkan kata-kata baru berdasarkan kata-kata yang sudah ada.
D) Mengurangi kata-kata menjadi bentuk dasar atau akarnya.

A) Ketidakjelasan dalam bahasa yang memerlukan pemahaman konteks.
B) Ketidakmampuan untuk mendeteksi sentimen dalam teks.
C) Ketersediaan perangkat keras yang terbatas untuk memproses data bahasa.
D) Kesulitan dalam menerjemahkan antara bahasa yang berbeda.

A) Menerjemahkan teks dari satu bahasa ke bahasa lain.
B) Menganalisis struktur gramatikal sebuah kalimat.
C) Mengidentifikasi topik dari sebuah teks tertentu.
D) Memecah teks menjadi unit-unit individual seperti kata atau frasa.

A) Menganalisis struktur gramatikal untuk menentukan hubungan antar kata.
B) Mengubah ucapan menjadi teks.
C) Menghasilkan sinonim untuk kata-kata.
D) Mengenali entitas bernama dalam teks.

A) Sebuah metode untuk menerjemahkan antara bahasa.
B) Jenis hubungan ketergantungan tertentu antara kata-kata.
C) Kumpulan teks yang digunakan untuk analisis linguistik.
D) Jenis pohon sintaks yang digunakan dalam algoritma penguraian.

A) Menganalisis sentimen dari suatu teks.
B) Menganalisis struktur gramatikal dari sebuah kalimat.
C) Menerjemahkan teks dari satu bahasa ke bahasa lain.
D) Mengidentifikasi entitas-entitas spesifik seperti nama, organisasi, dan lokasi dalam teks.

A) C++.
B) Java.
C) Ruby.
D) Python.

A) Penandaan survei opini publik (Public opinion survey tagging).
B) Penandaan sistem optimasi yang kuat (Powerful optimization system tagging).
C) Penandaan titik penjualan (Point-of-sale tagging).
D) Penandaan bagian kata (Part-of-speech tagging).

A) Ekstraksi informasi.
B) Pengenalan ucapan.
C) Klasifikasi gambar.
D) Pembuatan teks acak.

A) Menerjemahkan teks dari satu bahasa ke bahasa lain.
B) Membuat ringkasan singkat dari dokumen teks yang lebih panjang.
C) Mengidentifikasi entitas bernama dalam sebuah teks.
D) Menganalisis struktur sintaksis sebuah kalimat.

A) Jaringan fungsi basis radial (RBFN).
B) Jaringan kepercayaan mendalam (DBN).
C) Jaringan saraf konvolusional (CNN).
D) Jaringan saraf rekuren (RNN).

A) Penilaian Pengembangan Bahasa.
B) Agregasi Data Lokal.
C) Latent Dirichlet Allocation.
D) Analisis Diskriminan Linear.

A) Mengidentifikasi sentimen dari sebuah teks tertentu.
B) Menghasilkan kata-kata baru berdasarkan kosakata yang sudah ada.
C) Mengurangi kata-kata menjadi bentuk dasar atau akarnya untuk meningkatkan analisis.
D) Menentukan tata bahasa dari sebuah kalimat.

A) Melakukan analisis sentimen.
B) Menerjemahkan teks antar bahasa.
C) Menganalisis sintaksis sebuah kalimat.
D) Mengidentifikasi hubungan antara kata-kata dalam sebuah kalimat dan peran semantiknya.

A) Kata benda
B) Sintaksis
C) Algoritma
D) Kompilator

A) Penerjemahan mesin berbasis gambar.
B) Penerjemahan mesin berbasis aturan.
C) Penerjemahan mesin berbasis sentimen.
D) Penerjemahan mesin berbasis statistik.

A) Metode analisis morfologi.
B) Pendekatan penerjemahan berbasis simbol.
C) Algoritma penerjemahan berbasis aturan.
D) Penerjemahan mesin berbasis jaringan saraf.

A) Transkripsi.
B) Transformasi.
C) Tokenisasi.
D) Transferensi.

A) Menganalisis struktur kalimat.
B) Mengidentifikasi entitas bernama.
C) Menerjemahkan kata antar bahasa.
D) Merepresentasikan kata sebagai vektor untuk menangkap makna semantik.

A) Segmentasi kalimat.
B) Pengenalan entitas bernama (named entity recognition).
C) Analisis ketergantungan (dependency parsing).
D) Pemodelan topik (topic modeling).