Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi dan informasi kini telah memberikan berbagai kemudahan dalam menjalani kehidupan. Salah satu perkembangan teknologi tersebut adalah munculnya berbagai portal berita online di Indonesia. Hal ini menyebabkan banyak berita online yang tersebar di Indonesia. Untuk mengetahui topik utama pada waktu tertentu, sulit jika harus membaca seluruh berita online. Oleh karena itu, digunakan proses pemodelan topik yang secara otomatis membantu menemukan topik utama yaitu metode NMF (Nonnegative Matrix Factorization). Dalam metode NMF, kumpulan berita online direpresentasikan sebagai matriks. Kemudian, metode NMF memfaktorisasi matriks tersebut menjadi matriks-matriks yang nonnegatif. Secara umum, sparseness merupakan akibat dari proses faktorisasi matriks. Namun, dalam penelitian ini, dilakukan proses pengaturan derajat sparseness pada metode NMF. Proses analisis pengaruh derajat sparseness dalam metode NMF pada ekstraksi topik utama berita online Indonesia ini dilihat pada tingkat interpretabilitas topik yang dihasilkan, semakin sparse suatu matriks maka semakin sulit untuk diinterpretasikan.

---

Development of technology and information nowadays gives many tools to be alive. One of that improved is the appearance of many portals of online news in Indonesia. As a consequences, many online news spread easily in Indonesia. For knowing the main topics in some time, it can be hard to read all the online news in short time. So that, using topic modeling that automatically help people to find the main topics. Non-negative matrix factorization (NMF) method is part of the topic modeling. In NMF method, the collection of online news are representing by a matrix. After that, NMF method factors that matrix into two nonnegative matrixs. Generally, sparseness is a result of the factorization process. But, in this research, we use to controlling the degree of sparseness in NMF method. Process of analizing the impact of degrees of sparseness for extracting main topics of Indonesia online news are seeing by the interpretability of the topics, more sparse the matrix, more difficult to interpret."

"ABSTRAKBerkembangnya portal berita online di Indonesia sangat pesat sehingga menyebabkan meningkatnya arus informasi. Banyaknya informasi yang ada pada portal berita online menimbulkan kesulitan untuk mengetahui topik berita secara garis besar. Untuk itu diperlukan ekstraksi topik berita online yang dapat dilakukan secara otomatis dengan bantuan mesin. Salah satu metode yang dapat digunakan untuk mengekstraksi topik berita online secara otomatis adalah Non-Negative Matrix Factorization (NMF). Pada umumnya algoritma NMF menggunakan inisialisasi random untuk mendekomposisi matriks. Inisialisasi random pada algoritma NMF menghasilkan topik berita yang berbeda setiap kali eksekusi. Pada penelitian ini akan diimplentasikan salah satu metode inisialisasi NMF yaitu Non-Negative Double Singular Value Decomposition (NNDSVD). Metode ini berdasarkan dua proses dari Singular Value Decomposition (SVD). Proses SVD yang pertama untuk pendekatan matriks data dan yang kedua untuk pendekatan bagian positif. NNDSVD tidak mengandung unsur random, sehingga menghasilkan topik berita yang sama setiap kali eksekusi.

---

ABSTRACTThe rapid development of portal online news in Indonesia causes the increment of information flow. The amount of information contained in these portals makes it difficult to know the outline of news topic. So, it is necessary to extract the topic automatically by using machine. Non-Negative Matrix Factorization (NMF) is a method used to extract news topic automatically. Generally, NMF algorithm uses random initialization to decompose matrix to get different news topic in every execution. In this research, one of NMF initialization, Non-negative Double Singular Value Decomposition (NNDSVD), will be implemented. This method uses two processes from Singular Value Decomposition (SVD), one approximating the data matrix, the other approximating positive section. NNDSVD contains no randomization, so that produce same news topic in every execution."

"The rapid development of online news on the Internet has increased the number of news document. Information about the main topics become a necessity for people to determine the trending that is discussed at a certain time. Therefore, a way to find the main topic of news from very large documents quickly and efficiently is developed. Topic detection is the process to find a topic from documents collection. Detecting topics on a very large document is hardly done manually so that automatic methods are needed. One method to detect topic automatically is the theory based on model matrix factorization, Nonnegative Matrix Factorization (NMF). NMF can be solved directly by using the assumption that every topic has at least one word that does not appear in other topic called the anchor word. In this research, NMF based on direct method will be applied for detecting the main topics of Indonesia online news.

---

Perkembangan berita online di internet meningkatkan jumlah berita yang tersedia. Informasi mengenai topik utama menjadi suatu kebutuhan bagi masyarakat untuk mengetahui hal yang dominan dibicarakan pada waktu tertentu. Oleh karena itu dibutuhkan suatu cara cepat dan efisien untuk menemukan topik utama dari dokumen berita yang sangat besar. Pendeteksian topik merupakan suatu proses untuk menemukan topik dari suatu koleksi dokumen. Pendeteksian topik pada dokumen yang sangat besar sulit dilakukan secara manual sehingga dibutuhkan metode otomatis. Salah satu metode otomatis untuk pendeteksian topik adalah model yang berbasis teori faktorisasi matriks yaitu Nonnegative Matrix Factorization (NMF). NMF pada pendeteksian topik dapat diselesaikan secara langsung dengan menggunakan asumsi bahwa setiap topik memiliki satu kata yang tidak terdapat pada topik lainnya yang disebut sebagai kata anchor. Dalam penelitian ini akan diterapkan NMF berbasis metode langsung untuk mendeteksi topik utama dari berita online Indonesia"

"Pendeteksian topik merupakan suatu proses untuk mendapatkan topik dari suatu koleksi dokumen. Salah satu metode yang dapat digunakan untuk mendeteksi topik adalah nonnegative matrix factorization (NMF). Pada penelitian ini topik berita pada Twitter dideteksi menggunakan algoritma NMF berbasis metode langsung. Terdapat tiga tahap untuk menyelesaikan NMF berbasis metode langsung, yakni membentuk matriks kookurensi kata-kata, mencari kata anchor dan mencari matriks kata-topik. Pendeteksian topik dilakukan dengan jumlah topik yang berbeda-beda. Setelah didapatkan hasil berupa topik-topik dari pembicaraan di Twitter, kemudian tingkat akurasi topik-topik tersebut dianalisis menggunakan satuan topic recall, term precision dan term recall. Jumlah topik yang berbeda akan mempengaruhi tingkat akurasi topik-topik hasil NMF berbasis metode langsung.Pendeteksian topik merupakan suatu proses untuk mendapatkan topik dari suatu koleksi dokumen. Salah satu metode yang dapat digunakan untuk mendeteksi topik adalah nonnegative matrix factorization (NMF). Pada penelitian ini topik berita pada Twitter dideteksi menggunakan algoritma NMF berbasis metode langsung. Terdapat tiga tahap untuk menyelesaikan NMF berbasis metode langsung, yakni membentuk matriks kookurensi kata-kata, mencari kata anchor dan mencari matriks kata-topik. Pendeteksian topik dilakukan dengan jumlah topik yang berbeda-beda. Setelah didapatkan hasil berupa topik-topik dari pembicaraan di Twitter, kemudian tingkat akurasi topik-topik tersebut dianalisis menggunakan satuan topic recall, term precision dan term recall. Jumlah topik yang berbeda akan mempengaruhi tingkat akurasi topik-topik hasil NMF berbasis metode langsung.

---

Topic detection is a process to get the topic of a collection of documents. One method that can be used to detect the topic is nonnegative matrix factorization (NMF). In this research, the topic of the news on Twitter detected using NMF algorithm based on the direct method. There are three stages to complete NMF-based direct method, they are, form the word-word coocurence matrix, look for the anchor word and seek word-topic matrix. Topic detection performed by the different numbers of topic. Once the results are obtained in the form of topics of conversation in Twitter, then the level of accuracy of these topics were analyzed using the unit topic recall, term precision and term recall. Number of different topics will affect the accuracy of topics results of NMF-based direct method."

"Penelitian tugas akhir sarjana di Departemen Matematika Universitas Indonesia dapat berupa aplikasi matematika dalam kehidupan sehari-hari. Salah satu aplikasinya dapat diterapkan pada pencarian topik pada portal berita Indonesia online secara otomatis dengan bantuan mesin. Dengan transformasi kata-kata pada artikel portal berita Indonesia online kedalam bentuk matriks, dapat dilakukan proses Latent Semantic Analysis (LSA) dengan menggunakan metode Nonegative Matrix Factorization dalam mengekstraksi kata-kata pendukung topik dari sekumpulan dokumen. Pada skripsi ini akan dibahas mengenai implementasi Latent Semantic Analysis dengan menggunakan Nonegative Matrix Factorization (NMF) dalam ekstraksi kata-kata pendukung topik sehingga kata-kata tersebut dapat menginterpretasikan topik utama harian dari portal berita Indonesia online.

---

There are a wide range of fields in mathematics that can be used as a final research in the Department of Mathematics, University of Indonesia, including the applications of mathematics for daily life. One of the applications can be applied to searching topic in Indonesia online news portal automatically with machines. Latent Semantic Analysis (LSA) using Matrix Factorization Nonegative method can extract the words from a collection of documents which supporting the topic. This skripsi will be discussed on the implementation of Latent Semantic Analysis using Nonegative Matrix Factorization in extraction for the words wich support topics that words can be interpretation of a topic Indonesian daily online news portal."

"ABSTRAKPesatnya perkembangan teknologi infomzasi saat ini, telah berdampak terhadap tmnsaksi perdagangan, dimana proses perdagangan tidak hanya menggunakan cara konvensional teiapi telah memanfaatkan teknologi informasi. Keberadaan suatu sistem yang dapat memberikan rekomendasi kepada pengguna atau lebih dikenal dengan istilah sistem rekomendasi mulai banyak diperhitungkan. Yang menjadi permasalahan adalah apakah nekomendasi yang diberikan telah sesuai dengan keinginan dan kebutuhkan pcngguna. Tesis ini menguraikan tentang analisis akurasi prediksi yang diperoleh dari sistem rekomcndasi berdasarkan metode collaborative _filtering dengan menggunakan teknik Non-Negative Matrix Factor-ization (NA09. Hasii pengujian menunjukkan bahwa akurasi prediksi yang dihasilkan telah relatifbaik dengan nilai kesalahan sebesar 0,95049l.

---

Abstract

Perfomance Analysis of Non-Negative Matrix Factorization (NMF) in Recommendation Systems The rapid development of infonnation technology today, has an impact on trade transactions, where the trade is not only using conventional means but it has been using infonnation technology. The existence of a system that can provide recommendations to the user, or better known as a recommendation system began many counts. What matters is whether the recommendations are in accordance with the wishes and the needs of users. This thesis describes the analysis ofthe accuracy of predictions obtained from a recommendation system based on collaborative filtering method using the technique of Non-Negative Matrix Factorization (NMF). Test mults show that the resulting prediction accuracy was relatively good with an error value of 0.950491."

"ABSTRAKPerkembangan teknologi khususnya internet berkembang begitu pesat dewasa ini. Oleh karena itu, arus informasi meningkat begitu cepat yang menyebabkan informasi diperoleh sangat banyak. Media sosial pun menjadi salah satu sarana penyedia informasi, salah satunya adalah Twitter. Pendeteksian topik menjadi suatu kebutuhan bagi masyarakat untuk mengetahui hal-hal yang bicarakan pada waktu tertentu. Maka, dibutuhkan suatu cara yang cepat dan tepat untuk mendapatkan topik dari tweet yang terkirim pada Twitter. Dengan jumlah dokumen yang sangat besar, diperlukan suatu metode otomatis. Salah satu metode otomatis untuk pendeteksian topik adalah model yang berbasis faktorisasi matriks yaitu Non-negative Matrix Factorization (NMF). Metode NMF yang digunakan pada penelitian ini difokuskan pada wilayah Jakarta dan sekitarnya guna melihat topik yang dibahas masyarakat Jakarta dan sekitarnya pada kurun waktu tertentu. Hasil yang didapatkan lewat metode NMF ini selanjutnya akan dievaluasi dengan cara melihat tingkat akurasi yang dihasilkan lalu disimulasikan dalam bentuk tren berdasarkan frekuensi masing-masing topik.

---

ABSTRACTDevelopment of technology spesifically in internet grows so fast nowadays. Therefore, flow of information increase rapidly that leads information to be obtained so much. Social media become the one information provider, such as Twitter. Topic detection become a public society to know the things that being discussed at a certain time. Hence, needed a quick and precise method to obatain topic from tweet posted from twitter. With large amount of document, needed an automaticly method. One of automaticly method that based on matrix factorization is Non-negative Matrix Factorization as usually being called as NMF. Non-negative matrix factorization method on this research focused on region of Jakarta in order to know what are being discussed by society there in a period of time. The result have been obtain with NMF method will be evaluated by calculating the accuracy and finally will be simulated in the form of trend plot based on the frequency of the topic."

"ABSTRAKDeteksi topik adalah proses yang digunakan untuk menganalisis kata-kata dalam kumpulan data tekstual untuk ditentukan topik dalam koleksi, bagaimana mereka saling berhubungan, dan bagaimana topik ini berubah dari waktu ke waktu. Salah satu metode yang digunakan untuk mendeteksi topik adalah Nonnegative MatrixMetode Factorization (NMF) berdasarkan metode langsung atau disebut Separable Nonnegative Matriks Faktorisasi (SNMF). Dalam penelitian ini, tweet data diambil dari akun berita nasional pada aplikasi Twitter, dan topik terdeteksi menggunakan metode SNMF. Ada tiga tahap dalam metode SNMF, yaitu, menghasilkan kata co-kejadianmatriks, menentukan kata jangkar, dan memulihkan untuk mendapatkan matriks topik-kata. Penentuan dari kata anchor dilakukan dengan menggunakan tiga metode berbeda, yaitu Convex Metode berbasis lambung, metode SVD berdasarkan kata maksimum pada topik, dan SVDmetode berdasarkan perbedaan kata pada topik. Dalam deteksi topik, jumlah topik diproduksi bervariasi tergantung pada jumlah kata jangkar yang dihasilkan. Setelah mendapatkan topik, akurasi dihitung menggunakan unit topik word2vec. Hasil yang diperoleh menggunakantweet data akun berita nasional menunjukkan bahwa metode SVD berdasarkan perbedaan kata pada topik memiliki evaluasi topik yang buruk dibandingkan dengan dua topik lainnya.

---

ABSTRACTTopic detection is the process used to analyze words in a textual data set to determine the topics in a collection, how they are related, and how these topics change over time. One method used to change the topic is the Nonnegative Matrix The Factorization (NMF) method is based on the direct method or called Separable Nonnegative Factor Matrix (SNMF). In this study, tweet data is taken from national news accounts on the Twitter application, and topics taken using the SNMF method. There are three methods in SNMF, namely, generating co-occurrence words matrix, determine anchor words, and recover to get a topic-word matrix. Determination of the word anchor is done using three different methods, namely Convex the stomach-based method, the SVD method based on the maximum words on the topic, and SVD method based on differences in words on the topic. In topic detection, the number of topics created varies depending on the number of anchor words produced. After getting the topic, it is calculated using the word2vec topic unit. The results obtained using National news account data tweets show the SVD method based on word differences on the topic has a worse evaluation topic compared to the other two topics."