Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier

Alita, Debby; Isnain, Auliya Rahman

doi:10.23960/komputasi.v8i2.2615

Cited by 30 publications

(30 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Then the three datasets are pre-processed with steps commonly performed in text classification, namely removing double spaces, punctuation, numbers and non-alphanumeric characters. [6], [7], [13].…”

Section: Datasetmentioning

confidence: 99%

Using Social Media Data to Monitor Natural Disaster: A Multi Dimension Convolutional Neural Network Approach with Word Embedding

Faisal

Budiman

Abadi

et al. 2022

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

Social media has a significant role in natural disaster management, namely as an early warning and monitoring when natural disasters occur. Artificial intelligence can maximize the use of natural disaster social media messages for natural disaster management. The artificial intelligence system will classify social media message texts into three categories: eyewitness, non-eyewitness and don't-know. Messages with the eyewitness category are essential because they can provide the time and location of natural disasters. A common problem in text classification research is that feature extraction techniques ignore word meanings, omit word order information and produce high-dimensional data. In this study, a feature extraction technique can maintain word order information and meaning by using three-word embedding techniques, namely word2vec, fastText, and Glove. The result is data with 1D, 2D, and 3D dimensions. This study also proposes a data formation technique with new features by combining data from all word embedding techniques. The classification model is made using three Convolutional Neural Network (CNN) techniques, namely 1D CNN, 2D CNN and 3D CNN. The best accuracy results in this study were in the case of earthquakes 78.33%, forest fires 81.97%, and floods 78.33%. The calculation of the average accuracy shows that the 2D and 3D v1 data formation techniques work better than other techniques. Other results show that the proposed technique produces better average accuracy.

show abstract

Section: Datasetmentioning

confidence: 99%

Using Social Media Data to Monitor Natural Disaster: A Multi Dimension Convolutional Neural Network Approach with Word Embedding

Faisal

Budiman

Abadi

et al. 2022

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

show abstract

“…Setelah pembersihan data, data dilakukan tokenisasi, yaitu metode pemenggalan dokumen menjadi potonganpotongan kata yang disebut token [10] memanfaatkan library nltk.…”

Section: Tokenisasiunclassified

Pengaruh Seleksi Fitur Particle Swarm Optimization terhadap Sentimen Analisis Aplikasi Pedulilindungi di Twitter dengan Algoritma Support Vector Machine

Putra¹,

Widiastiwi²,

Chamidah³

2022

Informatik : Jurnal Ilmu Komputer

View full text Add to dashboard Cite

PeduliLindungi merupakan aplikasi yang ditujukan kepada masyarakat guna menangkal serta menangani COVID-19 di Indonesia. Aplikasi ini wajib dimiliki oleh masyarakat Indonesia, sebagai salah satu hal untuk kewajiban yang dibuat oleh pemerintah dari perundangan yang dibuat untuk memasuki fasilitas publik. Tentunya aplikasi ini juga mendatangkan beberapa tanggapan dari masyarakat. Tanggapan tersebut bisa diungkapkan melalui media sosial yang cukup populer seperti twitter. Melalui twitter, mereka bebas mengungkapkan pendapat mereka tentang penggunaan aplikasi tersebut. Penelitian ini bermaksud untuk mendapatkan informasi sentimen terkait opini masyarakat yang berhubungan dengan penggunaan aplikasi PeduliLindungi, dengan mengaplikasikan algoritma Support Vector Machine serta kernel Radial Basis Function dan algoritma seleksi fitur yaitu Particle Swarm Optimization dalam mengklasifikasikan opini masyarakat terhadap aplikasi PeduliLindungi dari data tweet yang sudah diperoleh serta diberi label sentimen bersifat positif dan label sentimen bersifat negatif. Model Support Vector Machine menghasilkan akurasi sebesar 76.24%, recall (sensitivity) sebesar 82.14%, presisi sebesar 76.67%, dan specificity sebesar 68.89%, sedangkan model Support Vector Machine ditambahkan seleksi fitur yaitu Particle Swarm Optimization mengalami pengingkatan akurasi sebesar 88.12%, recall (sensitivity) sebesar 96.43%, presisi sebesar 84.36%, dan specificity sebesar 77.78%.

show abstract

“…Dalam metode ini, penulis mengumpulkan data yang berkaitan dengan masalah yang akan dibahas dari buku referensi. Jika memungkinkan, gunakan pengumpulan data dari jurnal, internet, dan bahkan media sosial [10][11] [12].…”

Section: Studi Pustakaunclassified

Sistem Pengontrol Cahaya Pada Lampu Tubular Daylight Berbasis Iot

Sintaro

Surahman

Pranata

2021

JTST

View full text Add to dashboard Cite

Penelitian ini berfokus pada pengendalian cahaya di dalam ruangan, di rumah, sekolah, gudang, atau gedung, dan dapat memberikan laporan dalam kurun waktu tertentu. Dengan mengontrol lampu LED yang digunakan pada malam hari dan servo yang dapat menghidupkan dan mematikan lampu pada waktu tertentu. Sistem ini terdiri dari 3 bagian yaitu sensor, prosesor dan motor. Bagian sensor menggunakan modul sensor Light Dependent Resistor (LDR). Kami menggunakan NodeMCU sebagai Prosesor yang digunakan untuk memproses data sensor dan motor. Motor servo digunakan untuk membuka dan menutup seperti katup pada pengontrol cahaya. Sistem monitoring dan kontrol pada perangkat ini memiliki dua sistem kontrol, yang dapat kita gunakan kontrol otomatis atau manual. Saat kontrol otomatis aktif maka kontrol manual akan dimatikan dan akan bekerja dengan sistem yang telah dibuat. Kontrol otomatis pada perangkat ini hanya digunakan pada modul sensor LDR dan lampu LED, yang akan bekerja saat sensor mendeteksi adanya cahaya maka LED akan mati. Hasil nilai dan kondisi akan langsung ditampilkan di aplikasi Blynk. Ketika kontrol manual aktif, sistem juga dapat digunakan secara bersamaan, kontrol otomatis dan kontrol dengan aplikasi Blynk. Dan kontrol manual, hanya digunakan untuk mengontrol lampu pada LED dan servo.

show abstract

Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier

Cited by 30 publications

References 10 publications

Using Social Media Data to Monitor Natural Disaster: A Multi Dimension Convolutional Neural Network Approach with Word Embedding

Using Social Media Data to Monitor Natural Disaster: A Multi Dimension Convolutional Neural Network Approach with Word Embedding

Pengaruh Seleksi Fitur Particle Swarm Optimization terhadap Sentimen Analisis Aplikasi Pedulilindungi di Twitter dengan Algoritma Support Vector Machine

Sistem Pengontrol Cahaya Pada Lampu Tubular Daylight Berbasis Iot

Contact Info

Product

Resources

About