Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKEra globalisasi tidak dapat menahan besarnya pengaruh kecanggihan teknologi informasi, salah satunya adalah internet. Perkembangan teknologi internet tentu meningkatkan jumlah informasi yang tersedia. Informasi tersebut dapat berupa berita ? berita aktual yang dapat diakses melalui media sosial, seperti Twitter. Oleh karena itu, dibutuhkan suatu cara cepat dan efisien untuk menemukan topik utama dari Twitter. Pendeteksian topik pada dokumen yang sangat besar sulit dilakukan secara manual sehingga dibutuhkan metode otomatis, salah satunya faktorisasi matriks yaitu Nonnegative Matrix Factorization (NMF). Salah satu metode NMF yang telah berhasil dikembangkan dengan komplesitas waktu polinomial adalah P-NMF dengan algoritma AGM yang memiliki asumsi bahwa setiap topik memiliki sedikitnya satu kata yang tidak terdapat pada topik lainnya yang disebut sebagai kata anchor. P-NMF dengan algoritma AGM terdiri dari tiga tahapan, yaitu pembentukan matriks coocurance, pencarian kata anchor, dan recover. Pada penelitian ini akan diterapkan P-NMF dengan Recover KL untuk mendeteksian topik pada twitter, kemudian hasilnya akan dibandingkan dengan LDA dan P-NMF dengan Original Recover. Penelitian menunjukan bahwa P-NMF dengan Recover KL mampu meningkatkan akurasi untuk pendeteksian topik pada Twitter.

---

ABSTRACTThe era of globalization can?t withstand the influence of sophistication of information technology, such as Internet. Development of Internet technology would increase the amount of information. The information may be actual news that can be accessed through social media, such as Twitter. Therefore, needed a fast and efficient way to find the main topics of Twitter. Detection topics on very large documents difficult to do manually so it takes automated methods, one of which is nonnegative matrix factorization (NMF). One method that has been successfully developed NMF with polynomial time complexity is P-NMF algorithm AGM which assumes that each topic has at least one word that doesn?t appear on other topics, called anchor words. P-NMF algorithm AGM consists of three steps, the establishment of a matrix coocurance, finding anchor words, and recover. This research will be implemented P-NMF with Recover KL to detect topics on twitter, then the results will be compared with the LDA and P-NMF with Original Recover. Research shows that P-NMF with Recover KL can improve detection accuracy for topics on Twitter."

"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."

"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."

"ABSTRAKSkripsi ini akan membahas implementasi perancangan aplikasi data mining yang ditulis menggunakan bahasa pemrograman Java untuk mendapatkan konten media sosial terkait sentimen mengenai pengalaman pembelajaran dari pelajar di Indonesia. Aplikasi Java yang dirancang akan meminta masukan kata kunci pencarian kepada pengguna, untuk kemudian dilakukan pencarian menggunakan library twitter4j untuk dapat mengakses endpoint search/tweets.json yang terdapat pada Twitter core API. Setelah melakukan pencarian konten media sosial, aplikasi akan menuliskan hasil pencarian ke dalam berkas spreadsheet untuk dianalisis lebih lanjut. Hasil dari spreadsheet tersebut kemudian dilakukan perhitungan untuk masing-masing keyword nya dan ada pengkategorian lebih lanjut untuk sentimen negatif. Hasil dari pengambilan data yang berjumlah 2000 tweet menunjukkan sentimen positif mempunyai persentase paling sedikit, yaitu 596 (30%), sentimen negatif berjumlah 600 (30%) dan sentimen netral persentasenya paling besar, yaitu 804 (40%). Lalu untuk pengkategorian sentimen negatif, kategori 3 yaitu Emosi Negatif berjumlah paling banyak dengan jumlah 303 tweet (50%). Sedangkan kategori 1, 2, 4 dan 5 masing-masing mempunyai persentase 12%, 11%, 9% dan 18%.

---

ABSTRACT

This thesis discuss about data mining application design written in Java language program to get social media content regarding learning experience sentiment from student across Indonesia. Designed Java application will inquire searching keywords from users and then it will search using library twitter4j to access endpoint search/tweets.json in Twitter core API. After searching process, the application will write the search result into spreadsheet for further analysis. The data result saved in the spreadsheet will be compute for each keywords and there will be further classification for negative sentiment result. Sample from 2000 tweets shows positive sentiment has the least percentage, about 596 tweets (30%), negative sentiment has 600 tweets (30%) and neutral sentiment has the biggest value, 804 tweets (40%). For negative sentiment classification, Negative Emotion as category 3 has the most tweets with 304 tweets (50%). Meanwhile, category 1,2,4 and 5 have percentages with each value consist 12%, 11%, 9% and 18%."

"ABSTRAKPendeteksian topik merupakan suatu proses untuk menemukan topik atau pokok pembahasan utama dalam suatu kumpulan dokumen. Pada penelitian ini, pendeteksian topik diterapkan pada media sosial, yaitu Twitter. Pendeteksian topik pada Twitter secara manual sulit dilakukan karena terlalu banyak tweets. Oleh karena itu, dibutuhkan adanya pendeteksian topik secara otomatis. Salah satu metode otomatis untuk pendeteksian topik adalah metode Separable-Nonnegative Matrix Factorization S-NMF dengan algoritma AGM. S-NMF merupakan model berbasis faktorisasi matriks yang dapat diselesaikan secara langsung dengan menggunakan asumsi bahwa setiap topik memiliki satu kata yang tidak terdapat pada topik lainnya yang disebut kata anchor. S-NMF dengan algoritma AGM terdiri dari tiga tahapan, yaitu pembentukan matriks coocurance, penentuan kata anchor, dan recover. Dalam penelitian ini dilakukan proses penentuan kata anchor berbasis Singular Value Decomposition SVD . Kemudian, hasilnya akan dibandingkan dengan penentuan kata anchor metode Convex Hull berbasis Gram-Schmidt. Penelitian memberikan hasil bahwa dengan memperhatikan semua kata sebagai kandidat kata anchor, SVD memberikan hasil yang lebih baik daripada Convex Hull. Sedangkan, jika menggunakan anchor threshold, Convex Hull masih memberikan hasil yang lebih baik dibandingkan dengan SVD.

---

ABSTRACTTopic detection is a process to find main topic or main subject of discussion in a collection of documents. In this research, topic detection is applied to social media, namely Twitter. Manual detection of topics on Twitter is difficult because of too many tweets. Therefore, it is necessary to detect topics automatically. One of the automatic methods for topic detection is the Separable Nonnegative Matrix Factorization S NMF method with the AGM algorithm. S NMF is a matrix factorization based model that can be solved directly using the assumption that each topic has one word that is not present in another topic called anchor words. S NMF with AGM algorithm consists of three stages, namely the formation of coocurance matrix, finding the anchor words, and recover. In this research, the process of finding anchor words was done based on Singular Value Decomposition SVD . Then, the result was compared to anchor word finding by Convex Hull based method. The results has shown that by considering all words as anchor word candidates, SVD gave better results rather than Convex Hull. Meanwhile, when the anchor finding was done by using anchor threshold, Convex Hull still gave better result rather than SVD."

"ABSTRAKPendeteksian topik merupakan proses untuk mendapatkan topik dari koleksi data tekstual. Salah satu metode otomatis untuk masalah pendeteksian topik adalah Separable Nonnegative Matrix Factorization SNMF . Terdapat tiga tahap yang dilakukan untuk menyelesaikan SNMF yakni membentuk matriks kookurensi kata-kata, menentukan kata-kata anchor, dan mencari matriks kata-topik. Metode yang umum digunakan untuk menentukan kata-kata anchor pada tahap kedua dari penyelesaian SNMF adalah dengan metode berbasis Convex Hull. Pada penelitian ini digunakan pendekatan lain untuk menentukan kata-kata anchor yaitu dengan memakai metode Singular Value Decomposition SVD . Topik-topik yang dihasilkan dengan kata-kata anchor -nya ditentukan dengan metode SVD dievaluasi tingkat intepretabilitasnya dengan memakai satuan Pointwise Mutual Information PMI dan dibandingkan dengan topik-topik dimana kata-kata anchor -nya ditentukan dengan metode berbasis Convex Hull. Waktu komputasi yang dibutuhkan untuk menentukan kata-kata anchor dengan metode SVD juga dibandingkan dengan waktu komputasi yang dibutuhkan untuk menentukan kata-kata anchor dengan metode berbasis Convex Hull.

---

ABSTRACTTopic detection is the process of getting topics from a collection of textual data. One of the methods for detection problems is the Separable Nonnegative Matrix Factorization SNMF . There are three stages done to complete SNMF that is to form the word kookurensi matrix, determine the anchor words, and search for the word topic matrix. The common method used to determine the anchor words in the second stage of SNMF completion is the Convex Hull based method. In this research another approach is used to determine the anchor words, that is using Singular Value Decomposition SVD method. The resulting topics where the anchor words are determined by the SVD method will be evaluated for their interpretability level by using the Pointwise Mutual Information PMI unit and will compare with the topics where the anchor 39 s words are based on the Convex Hull based method. The computational time required to determine the anchor words by the SVD method will also be compared with the computational time required to determine the anchor words by the Convex Hull based method."

"ABSTRAKDeteksi topik adalah proses menganalisis kumpulan data tekstual untuk menentukan topik pengumpulan data tekstual. Salah satu metode pengelompokan yang dapat digunakan untuk deteksi topik adalah metode Fuzzy C-Means (FCM). Namun, penggunaan FCM sederhana untuk pendeteksian topik tentang big data kurang efektif, karena akan memakan waktu lama dan banyak memori. FCM sederhana juga memiliki masalah lain, ketika melakukan deteksi topik aktif data dimensi tinggi, FCM sederhana hanya akan menghasilkan satu topik. Dalam penelitian ini, suatu gabungan metode Single-Pass Fuzzy C-Means (SPFCM) dan Fuzzy C-Means Berbasis Eigenspace (EFCM) diusulkan, yaitu Single-Pass Eigenspace-Based Fuzzy C-Means (SPEFCM) metode untuk mengatasi masalah ini. Data yang digunakan untuk deteksi topik adalahtweet yang berasal dari aplikasi Twitter. Lalu, keakuratan topik didapat menggunakan SPEFCM dan EFCM akan dibandingkan berdasarkan nilai koherensi. Itu hasil simulasi menunjukkan bahwa nilai koherensi topik yang diperoleh menggunakan SPEFCM adalah sebanding dengan EFCM. Ini menunjukkan bahwa SPEFCM adalah metode yang tepat untuk mendeteksi topik pada data besar, tanpa mengurangi kualitas topik yang dihasilkan.

---

ABSTRACTTopic detection is the process of analyzing a textual data set to determine the topic of textual data collection. One of the grouping methods that can be used for topic detection is the Fuzzy C-Means (FCM) method. However, the use of simple FCM for the detection of topics about big data is less effective, because it will take a long time and a lot of memory. Simple FCM also has another problem, when detecting active topics of high dimensional data, simple FCM will only produce one topic. In this study, a combination of the Single-Pass Fuzzy C-Means (SPFCM) method and the Fuzzy C-Means Based on Eigenspace (EFCM) is proposed, namely the Single-Pass Eigenspace-Based Fuzzy C-Means (SPEFCM) method to overcome this problem. The data used for topic detection istweets that come from the Twitter application. Then, the accuracy of the topics obtained using SPEFCM and EFCM will be compared based on coherence values. The simulation results show that the topic coherence value obtained using SPEFCM is comparable to EFCM. This shows that SPEFCM is the right method for detecting topics in big data, without reducing the quality of the topics produced."

"This book provides a comprehensive treatment of the theory of polynomials in a complex variable with matrix coefficients. Basic matrix theory can be viewed as the study of the special case of polynomials of first degree; the theory developed in Matrix Polynomials is a natural extension of this case to polynomials of higher degree. It has applications in many areas, such as differential equations, systems theory, the Wieneropf technique, mechanics and vibrations, and numerical analysis. Although there have been significant advances in some quarters, this work remains the only systematic development of the theory of matrix polynomials."