PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE UNTUK MENDETEKSI EMOSI DARI TEKS BAHASA INDONESIA

BHAYU AJI SENO, . (2023) PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE UNTUK MENDETEKSI EMOSI DARI TEKS BAHASA INDONESIA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (321kB)
	Text BAB 2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (375kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (383kB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (182kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (213kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Pertumbuhan penggunaan internet khususnya sosial media yang sangat pesat telah menyebabkan perubahan interaksi antar manusia yang sebelumnya terjadi secara langsung di dunia nyata kemudian berubah menjadi tidak langsung melalui sosial media. Ketika manusia berinteraksi melalui sosial media, terkadang terdapat kesalahpahaman informasi yang didapatkan dibandingkan secara langsung di dunia nyata. Hal ini karena kurangnya faktor penting ketika manusia berinteraksi melalui sosial media, yaitu emosi. Penelitian ini bertujuan untuk mendeteksi emosi dari teks bahasa Indonesia dengan menerapkan algoritma Support Vector Machine (SVM). Penelitian dimulai dengan pembuatan 4 jenis data sampel yaitu, data sampel dengan jumlah 1000, 2500, dan 4000 tweet untuk proses training, dan data sampel dengan jumlah 120 tweet untuk proses testing. Kemudian seluruh data sampel tersebut melalui proses Natural Leanguage Processing (NLP) untuk diekstrak informasinya. Setelah itu dilakukan proses training dengan algoritma SVM menggunakan 3 tipe kernel yang berbeda, yaitu Polinomial, Gausian RBF, dan Sigmoid. Kemudian dilakukan pengujian dengan hasil tingkat akurasi yang cukup variatif untuk setiap jenis data sampel serta tipe kernel yang digunakan. Hasil penelitian mendapatkan kesimpulan semakin banyak jumlah data yang digunakan, maka semakin tinggi tingkat akurasi yang dihasilkan, namun waktu proses training yang dibutuhkan lebih lama. Sementara untuk tipe kernel Sigmoid memiliki tingkat akurasi yang tinggi, serta waktu proses training yang lebih cepat dibandingkan tipe kernel lainnya. ***** The rapid growth of internet use, especially social media, has led to changes in interactions between humans that previously occurred directly in the real world and then changed to become indirect through social media. When humans interact through social media, sometimes there is a misunderstanding of the information obtained compared directly to the real world. This is due to the lack of important factors when humans interact through social media, namely emotions. This study aims to detect emotions from Indonesian text by applying the Support Vector Machine (SVM) algorithm. The research began by making 4 types of sample data, namely sample data with a total of 1000, 2500 and 4000 tweets for the training process, and sample data with a total of 120 tweets for the testing process. Then all the sample data went through the Natural Leanguage Processing (NLP) process to extract the information. After that, the training process was carried out with the SVM algorithm using 3 different kernel types, namely Polynomial, Gausian RBF, and Sigmoid. Then testing was carried out with the results of a fairly varied level of accuracy for each type of sample data and the type of kernel used. The results of the study concluded that more amount of data used, the higher level of accuracy produced, but the training process time required is longer. Meanwhile, the Sigmoid kernel type has a high level of accuracy, as well as a faster training processing time than other kernel types.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Widodo, S.Kom, M.Kom. ; 2). Bambang Prasetya Adhi, M.Kom.
Subjects:	Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Pendidikan Teknik Informatika Komputer
Depositing User:	Users 17444 not found.
Date Deposited:	02 Mar 2023 07:34
Last Modified:	02 Mar 2023 07:34
URI:	http://repository.unj.ac.id/id/eprint/37596

Actions (login required)

View Item