Analisis Sentimen Menggunakan Support Vector Machine Masyarakat Indonesia Di Twitter Terkait Bjorka

Maulaya, None Adhitya Karel; Junadhi,

doi:10.37859/coscitech.v3i3.4358

Cited by 5 publications

(5 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To calculate the accuracy value (7), it is found in equation, precision equation ( 8), recall equation (9). Besides using the confusion matrix, whether the prediction results are good or bad, a classification model can also use the Receiver Operating Characteristic (ROC) [29] and dan Area Under the Curve (AUC) [30]. Accuracy = (TP+TN)/(TP+TN+FP+FN) (7) Precision = (TP)/(TP+FP) (8) Recall = (TP) / (TP+FN) (9) Where TP= True Positive, TN=True Negative, FP=False Positive and FN = False Negative.…”

Section: Discussionmentioning

confidence: 99%

Sentiment Analysis of Bjorka Hacker Using the Naive Bayes and C.45 Algorithms

Priatna,

A’ini,

Warta

et al. 2023

conferenceseries

View full text Add to dashboard Cite

In 2023, Indonesia was again devastated by a hacker known as Bjorka. Bjorka did not act just once or twice; every time, Bjorka made the entire Indonesian population proud. The 19 million BPJS Employment data belonging to the Indonesian people that Bjorka hacked is the BPJS Employment data belonging to the Indonesian people that Bjorka hacked. Since the release of the Bjorka story, there has been a surge in the number of people criticizing it on social media, particularly Facebook, so the criticism or opinions can be used to conduct sentiment analysis. Based on this, developing a method that can automatically classify beliefs into positive and negative categories through sentiment analysis is necessary. The sentiment analysis process begins with data preprocessing, followed by keyword analysis using the TF-IDF method, algorithm development, and analysis of classification results. The data classification methods used in this study are Naive Bayes and C4.5. The data will be analyzed using text mining and classified using the Naive Bayes and C4.5 algorithms. Based on the results of the tests, the best classification was achieved by Nave Bayes, with a score of 70 percent for the C4.5 algorithm and 68 percent for the C4.5 algorithm. The Nave Bayes algorithm can predict up to 70% data transmission rates for both positive and negative signals.

show abstract

Section: Discussionmentioning

confidence: 99%

Sentiment Analysis of Bjorka Hacker Using the Naive Bayes and C.45 Algorithms

Priatna,

A’ini,

Warta

et al. 2023

conferenceseries

View full text Add to dashboard Cite

show abstract

“…Paper [11] membahas mengenai sistem klasifikasi opini cuitan Twitter terkait aksi peretasan data oleh hacker bernama Bjorka. Sistem ini menggunakan metode Support Vector Machine (SVM).…”

Section: Pendahuluanunclassified

Deteksi Berita Palsu Menggunakan Algoritma Random Forest

Nurohanisah,

Astuti,

Muhammad Basysyar

2024

jati

View full text Add to dashboard Cite

Dalam era digital yang dipenuhi oleh penyebaran berita palsu atau yang lebih dikenal dengan istilah "hoaks," tantangan untuk memerangi penyebaran informasi yang salah dan menyesatkan semakin mendesak. Berita palsu memiliki potensi untuk merusak kepercayaan publik, menciptakan kebingungan, dan berdampak negatif pada masyarakat. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasi berita palsu yang menggunakan algoritma Random Forest, dengan tujuan mengeksplorasi cara menggunakan algoritma Random Forest dalam mengidentifikasi dan memisahkan berita palsu dari berita yang asli. Penelitian ini dilakukan dengan memanfaatkan dataset yang mencakup berbagai jenis berita, termasuk berita palsu dan berita asli, yang telah dianalisis dan dikategorikan oleh ahli faktual. Teknik pemrosesan bahasa alami (NLP) digunakan untuk mengekstraksi fitur-fitur penting dari teks berita. Penelitian ini menggunakan algoritma Random Forest untuk klasifikasi. Random Forest bekerja dengan cara menggabungkan sejumlah besar pohon keputusan yang independen untuk membuat keputusan akhir. Setiap pohon membuat prediksi, dan hasil akhirnya didasarkan pada mayoritas prediksi dari pohon-pohon tersebut. Kelebihan utama Random Forest adalah kemampuannya dalam mengatasi overfitting dan meningkatkan akurasi dengan menggabungkan prediksi dari beberapa model. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa klasifikasi berita palsu menggunakan algoritma Random Forest mampu mengklasifikasikan berita dengan tingkat akurasi yang memuaskan. Hasil akhir menunjukkan bahwa sistem ini memiliki kinerja yang baik dalam membedakan berita palsu dari berita asli, dengan akurasi rata-rata di atas 87%.

show abstract

“…Pada tahap ini data yang akan diolah bertujuan untuk menghindarkan dari data yang mengganggu (noise) atau data yang tidak konsisten [18]. Proses preprocessing mencakup tiga tahapan yaitu cleaning data, tokenizingdan transform data [19].…”

Section: Preprocessingunclassified

Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom

Sholekhah,

Putri,

Rahmaddeni

et al. 2024

MALCOM

View full text Add to dashboard Cite

Kondisi medis yang dikenal sebagai sindrom metabolik berpotensi meningkatkan kemungkinan penyakit jantung koroner, stroke, serangan jantung dan diabetes tipe 2. Sindrom metabolik juga dapat menyebabkan gula darah tinggi, kadar kolesterol rendah, obesitas secara bersamaan dan kelebihan lemak di daerah pinggang. Jika kombinasi dari ketiga kondisi ini terjadi maka dapat dikatakan penyakit ini sebagai sindrom metabolik. Selain itu, sindrom metabolik juga dikaitkan dengan resistensi insulin, artinya dimana sel-sel tubuh tidak merespon baik terhadap efek insulin yang menyebabkan kadar gula darah tinggi karena gula tidak terserap ke dalam sel dengan baik. Sindrom metabolik tumbuh seiring meningkatnya obesitas di Asia, dengan perkiraan prevalensi yang terus naik. Ini berpotensi meningkatkan kasus penyakit kardiovaskular dan risiko kematian. Oleh karena itu, perlu dikembangkan model untuk mendiagnosis sindrom metabolik. Penelitian ini bertujuan untuk membandingkan kinerja algoritma klasifikasi utama, yaitu Naïve Bayes (NB) dan K-Nearest Neighbors (KNN) dalam mendeteksi sindrom metabolik. Hasil dari penelitian ini menunjukkan bahwa penggunaan algoritma Naïve Bayes menghasilkan akurasi sebesar 79%, sedangkan akurasi tertinggi dari algoritma K-Nearest Neighbors (KNN) adalah 82%. Kesimpulannya, dari hasil penelitian ini menunjukkan bahwa algoritma K-NN dengan pembagian data 50:50 lebih efektif dalam memprediksi dan mengklasifikasikan sindrom metabolik.

show abstract

Analisis Sentimen Menggunakan Support Vector Machine Masyarakat Indonesia Di Twitter Terkait Bjorka

Cited by 5 publications

References 9 publications

Sentiment Analysis of Bjorka Hacker Using the Naive Bayes and C.45 Algorithms

Sentiment Analysis of Bjorka Hacker Using the Naive Bayes and C.45 Algorithms

Deteksi Berita Palsu Menggunakan Algoritma Random Forest

Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom

Contact Info

Product

Resources

About