Implicit Social Trust Dan Support Vector Regression Untuk Sistem Rekomendasi Berita

Abstract

Situs berita merupakan salah satu situs yang sering diakses masyarakat karena kemampuannya dalam menyajikan informasi terkini dari berbagai topik seperti olahraga, bisnis, politik, teknologi, kesehatan dan hiburan. Masyarakat dapat mencari dan melihat berita yang sedang populer dari seluruh dunia. Di sisi lain, melimpahnya artikel berita yang tersedia dapat menyulitkan pengguna dalam menemukan artikel berita yang sesuai dengan ketertarikannya. Pemilihan artikel berita yang ditampilkan ke halaman utama pengguna menjadi penting karena dapat meningkatkan minat pengguna untuk membaca artikel berita dari situs tersebut. Selain itu, pemilihan artikel berita yang sesuai dapat meminimalisir terjadinya banjir informasi yang tidak relevan. Dalam pemilihan artikel berita dibutuhkan sistem rekomendasi yang memiliki pengetahuan mengenai ketertarikan atau relevansi pengguna akan topik berita tertentu. Pada penelitian ini, peneliti membuat sistem rekomendasi artikel berita pada New York Times berbasis implicit social trust. Social trust dihasilkan dari interaksi antara pengguna dengan teman-temannya dan bobot kepercayaan teman pengguna pada media sosial Twitter. Data yang diambil merupakan data pengguna Twitter, teman dan jumlah interaksi antar pengguna berupa retweet. Sistem ini memanfaatkan algoritma Support Vector Regression untuk memberikan estimasi penilaian pengguna terhadap suatu topik tertentu. Hasil pengolahan data dengan Support Vector Regression menunjukkan tingkat akurasi dengan MAPE sebesar 0,8243075902233644%. Keywords : Twitter, Rekomendasi Berita, Social Trust, Support Vector Regression

Sistem Rekomendasi Content-based Filtering Menggunakan TF-IDF Vector Similarity Untuk Rekomendasi Artikel Berita

“…Sistem rekomendasi artikel berita, pernah dikembangkan menggunakan dice similarity [12] dan K-Nearest Neighbors(KNN) [13]. Pendekatan lain dilakukan [14] melalui pembobotan Implicit Social Trust dan Support Vector Regression untuk memprediksi nilai topik sebuah artikel. Sedangkan mekanisme peringkasan berita telah dilakukan [15] menggunakan fitur pembobotan TFIDF.…”

Peningkatan Performa Analisis Sentimen Dengan Resampling dan Hyperparameter pada Ulasan Aplikasi BNI Mobile

“…Dalam [8] dilakukan analisis sentimen tweet pada bidang politik dengan bahasa Indonesia pada pemilihan gubernur DKI 2017 dengan metode klasifikasi Support Vector Machine (SVM) dan Naïve Bayes Classifier (NBC) dengan akurasi tertinggi pada NBC sebesar 95% dan. Sementara dalam [9], analisis terhadap berita dilakukan untuk mendapatkan kesesuaian berita dengan minat pembacanya dengan Support Vector Regression menunjukkan tingkat akurasi dengan MAPE sebesar 0,8243075902233644%. Kemudian dalam [10] mencoba menganalisis review aplikasi mobile dengan algoritma klasifikasi Svm dan Naïve Bayes yang terbukti lebih baik dengan N-Gram=2 mendapatkan F-Test 0.967.…”