Classification of NPL with a Random Forest approach

Zanoni, Massimiliano; Ldt, Iason

doi:10.47473/2020rmm0007

Cited by 1 publication

(1 citation statement)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Algoritma Machine Learning yang digunakan untuk membuat model mendeteksi konten negatif berdasarkan teks pada website pada penelitian ini adalah Random Forest. Berdasarkan beberapa penelitian yang sudah menggunakan Random Forest pada data teks sebelumnya [8]- [10]. Random Forest merupakan gabungan dari pohon keputusan yang digunakan untuk membuat model yang lebih kuat dan memiliki kinerja generalisasi yang lebih baik dengan cara menghindari overfitting dengan mengambil rata-rata beberapa pohon keputusan yang memiliki varians tinggi [11].…”

Section: Pendahuluanunclassified

Sistem Deteksi Konten Negatif pada Teks Website Menggunakan Metode Random Forest

Wibowo

2023

J-IDS

View full text Add to dashboard Cite

Internet saat ini telah mengalami perkembangan yang signifikan sebagai sarana untuk mencari informasi yang memberikan dampak positif bagi kehidupan sehari-hari masyarakat. Namun, di samping itu, internet juga menjadi tempat yang efektif untuk menyebarkan informasi yang memberikan dampak negatif, seperti penyebaran konten negatif kepada masyarakat. Untuk mengatasi masalah ini, pemerintah telah menetapkan sistem laporan dan DNS (Domain Name System) yang dikenal sebagai Trust Positif. Namun, upaya tersebut masih tergolong tidak efektif karena hanya didasarkan pada DNS dan laporan masyarakat. Oleh karena itu, tujuan dari penelitian ini adalah untuk menggunakan metode Machine Learning untuk membuat model klasifikasi konten negatif website berdasarkan isi teks website. Metode yang digunakan dalam penelitian ini adalah Random Forest. Proses penelitian dimulai dengan melakukan preprocessing pada data teks dengan pendekatan NLP (Natural Language Processing) dan kemudian mengaplikasikan metode Machine Learning. Hasil dari pengujian menunjukkan bahwa Random Forest cukup efektif dalam penelitian ini, dengan nilai accuracy sebesar 92%, precision sebesar 77%, dan recall sebesar 86%. Nilai tersebut didapatkan melalui pengujian dengan menggunakan 526 url website.

show abstract

Section: Pendahuluanunclassified

Sistem Deteksi Konten Negatif pada Teks Website Menggunakan Metode Random Forest

Wibowo

2023

J-IDS

View full text Add to dashboard Cite

show abstract

Classification of NPL with a Random Forest approach

Abstract: Non-Performing Exposures delle banche: diktat impazienti e soluzioni nazionali vs gestione paziente e Asset Management Companies a livello europeo di Rainer Masera

Cited by 1 publication

References 9 publications

Sistem Deteksi Konten Negatif pada Teks Website Menggunakan Metode Random Forest

Sistem Deteksi Konten Negatif pada Teks Website Menggunakan Metode Random Forest

Contact Info

Product

Resources

About