Hasil Pencarian  ::  Simpan CSV :: Kembali

"Female Daily Network perusahaan yang bergerak di bidang media sosial. Female Dailymemiliki media sosial untuk membagikan pengalaman menggunakan produk kecantikanbernama Female Daily. Female Daily memiliki peraturan untuk tidak menggunakanFemale Daily Platform untuk mempromosikan, menjual produk, dan layanan di platformmedia sosial di Female Daily. Namun, pengguna di Female Daily terkadang melanggarperaturan tersebut di post mereka dan menyebabkan pengguna lain terganggu akan haltersebut. Admin di Female Daily kesulitan untuk mengidentifikasi pengguna yangmelanggar aturan itu dan melarang post mereka yang berisi penjualan produk karenaketerbatasan jumlah admin dengan jumlah post yang masuk tiap hari. Text mining jugadapat mengatasi permasalahan ini dengan menentukan klasifikasi secara otomatis denganmembuat sistem yang melakukan proses pembelajaran dengan dari kata-kata post yangtersedia. Algoritme yang bisa digunakan untuk melakukan proses text mining padapenelitian ini seperti Support Vector Machine (SVM), Naïve Bayes (NB), Decision Tree(DT), dan Random Forest (RF). Penelitian ini menggunakan kombinasi cara ekstraksifitur, fitur kontekstual, dan melakukan balancing data. Penelitian ini menggunakanskenario penelitian untuk menganalisis ekstraksi fitur, penggunaan fitur kontekstual, danbalancing data. Algoritme terbaik dilihat dari nilai recall pada kombinasi algoritme danfitur penelitian ini adalah Random Forest TF-IDF Unigram dan menggunakan tambahanfitur kontekstual deteksi uang dan kata-kata menjual dengan data yang seimbang. Nilairecall 88.37% didapatkan dari hasil kombinasi algoritme dan fitur tersebut.

---

Female Daily Network is a company engaged in social media. Female Daily has social

media to share experiences using beauty products called Female Daily. Female Daily has

regulations not to use the Female Daily Platform to promote, sell products and services

on social media platforms in Female Daily. However, users on Female Daily sometimes

violate these rules in their posts and cause other users to be annoyed about it. Admins at

Female Daily have difficulty identifying users who violate these rules and ban their posts

containing product sales due to the limited number of admins with the number of posts

that enter each day. Text mining can also overcome this problem by determining the

classification automatically by creating a system that carries out the learning process

from the available post words. Algorithms that can be used to carry out the text mining

process in this research are Support Vector Machine (SVM), Naïve Bayes (NB), Decision

Tree (DT), and Random Forest (RF). This study uses a combination of feature extraction,

contextual features, and data balancing. This study uses research scenarios to analyze

feature extraction, contextual feature usage, and data balancing. The best algorithm seen

from the recall value in the combination of algorithms and features of this research is the

Random Forest TF-IDF Unigram and uses additional contextual features to detect money

and selling words with balanced data. The recall value of 88.37% is obtained from the

results of the combination of these algorithms and features."

"Seiring dengan perkembangan teknologi yang semakin pesat, semakin berkembang pula tingkat kebutuhan manuasia akan berita terkini, sehinga muncullah sebuah tren baru yaitu mempublikasi dan mengakses berita melalui media daring atau jurnalisme daring. Selain itu, jumlah masyarakat yang melakukan jual beli daring juga terus meningkat dan peluang ini dimanfaatkan oleh perusahaan dan pihak pengiklan dengan menerapkan strategi Targeted Web Advertising. Namun tingginya jumlah artikel yang telah di publikasi dan diakses membuka peluang yang besar untuk terjadinya kesalahan dalam penentuan tempat peletakan iklan. Oleh karena itu, dibutuhkan sistem yang dapat mengkategorisasikan artikel yang diakses pengguna sebagai basis penempatan iklan oleh perusahaan dan sistem pengklasifikasian ini dapat dilakukan dengan menerapkan metode Data Mining dan Text Mining. Penelitian ini menggunakan dokumen data berupa konten artikel yang akan dikategorikan ke dalam dua puluh kategori kelas iklan dengan menggunakan teknik Text Mining dengan algoritma Support Vector Machine. Hasil dari penelitian ini dapat digunakan oleh perusahaan atau pihak pengiklan sebagai basis penempatan iklan di situs media daring yang dipilih.

---

Rapid increase development in technological aspect resulting in growing level of human needs for the latest news, so that emerged a new trend of publishing and accessing news through online media or called online journalism. In addition, the number of people who sell and purchase through online sites also continues to increase and this opportunity is utilized by the company and the advertiser by implementing targeted web advertising. However, the high number of articles that have been published and accessed leads to great opportunities for errors in determining where to place the ads. Therefore, it needs a system that can categorize articles accessed by users as the basis of advertisement placement by the company and this classification system can be done by applying the method of Data Mining and Text Mining. This research uses document data in the form of article content that will be categorized into twenty categories of the class of advertisement by using Text Mining technique with Support Vector Machine algorithm. The results of this study may be used by companies or advertisers as a basis for placement of ads on selected online media sites."

"ABSTRAKMedia sosial berkembang dengan pesat saat ini dan menyediakan kenyamanan untuk berkomunikasi. Namun kenyamanan tersebut banyak disalahgunakan untuk memperlakukan orang lain dengan tidak layak di hadapan seluruh komunitas internet yang biasa disebut cyberbullying. Apabila cyberbullying gagal dicegah, akan sulit untuk melacak dan menanganinya. Salah satu senjata utama untuk mencegah aksi cyberbullying adalah dengan melakukan deteksi pada media sosial. Deteksi cyberbullying dapat dilakukan dengan menentukan apakah suatu post menyinggung topik sensitif yang bersifat pribadi seperti ras atau tidak. Dengan menentukan kata-kata terkait topik sensitif tersebut dan filter sentimen, deteksi tweet cyberbullying dilakukan dengan menggunakan metode klasifikasi Hyperpipes, Tree-based J48, dan SVM. Hasil menunjukkan bahwa algoritma hyperpipes dan decision tree menghasilkan hasil evaluasi yang terbaik dengan tingkat akurasi 85,32% dan 86,24%.

---

ABSTRACTSocial media is growing rapidly at the moment and provide convenience to communicate. But such convenience widely misused to treat other people with not decent before the entire internet community commonly called cyberbullying. If cyberbullying fail to prevent, it will be difficult to track down and deal with it. One of the main weapons to prevent acts of cyberbullying is to perform detection on social media. Detection of cyberbullying can be done by determining whether a post offend the sensitive topic of a personal nature such as racist or not. By determining the related words such sensitive topics and filter sentiment, cyberbullying tweet detection is done by using the method of classification Hyperpipes, Tree-based J48, and SVM. The results show that the algorithm hyperpipes and decision tree produces the best evaluation results with the accuracy of 85.32% and 86.24%."

"Tokopedia sebuah perusahaan teknologi di Indonesia mengalami pertumbuhan yang signifikan. Dalam strategi bisnisnya, Tokopedia menerapkan strategi pemasaran salah satunya yaitu sales promotion. Melalui komentar pengguna selama program sales promotion, perusahaan dapat mendapatkan informasi dari perspektif pengguna yang dapat bermanfaat bagi perusahaan. Tujuan dari penelitian ini adalah untuk menyelidiki respons pengguna melalui komentar di media sosial terhadap program sales promotion Tokopedia. Penelitian ini menggunakan metode text mining untuk mengolah data yang didapatkan dari media sosial. Data yang digunakan yaitu 13.921 komentar Twitter antara 1 Januari 2021 dan 1 Desember 2021. Data tersebut kemudian dilakukan analisis konten menggunakan word frequency, part of speech tagging, co-occurrence matrix, core-periphery analysis, dan network analysis. Penelitian ini berhasil mengidentifikasi kata-kata yang sering muncul dan berpengaruh serta mengidentifikasi tema dalam jaringan. Kata berpengaruh yang teridentifikasi terkait dengan Tokopedia monetary promotion benefits, dapat digunakan untuk strategi pemasaran dan aktivasi jaringan di media sosial. Selain itu tema-tema yang muncul dalam jaringan adalah multi-product promotion, Gojek and Tokopedia sales promotion collaboration, Tokopedia monetary promotion benefit , viral content, referral ,dan PLN promotions. Tema tersebut dapat memberikan informasi yang berharga bagi perusahaan untuk meningkatkan kinerja bisnisnya.

---

Tokopedia, an Indonesian technology company that specializes in E-Commerce, has seen significant growth. Tokopedia implements a marketing strategy, specifically a sales promotion, as part of their business strategy. During the sales promotion program, the company can gain insights from the user perspective that might be valuable to the company. The objective of this study was to investigate at user response to Tokopedia's sales promotion program through social media comments. Text mining techniques are used in this work to analyse data from social media. The data utilized were 13,921 Twitter comments between January 1, 2021, and December 1, 2021. The data was then analysed using word frequency, part of speech tagging, co-occurrence matrix, core-periphery analysis, and network analysis. This study was successful in identifying frequent and influential words, as well as network themes. Influential words that appeared are associated with Tokopedia monetary promotion benefits that could be used for marketing strategies and network activation on social media. Furthermore, this research identifies the network's themes which are, multi-product promotion, Gojek and Tokopedia sales promotion partnership, Tokopedia monetary promotion advantage, viral content, referrals, and PLN promotions which could provide valuable information for the company to improve their business performance. "

"ABSTRAKPangan merupakan hak asasi manusia yang harus senantiasa terpenuhi oleh masyarakat dengan daya beli yang sesuai dan mempunyai kualitas pangan yang tinggi dan aman. Hal tersebut mendorong kedaulatan pangan suatu negara, yang secara mandiri memenuhi kebutuhan pangan masyarakatnya berdasarkan sistem pangan yang adil bagi seluruh masyarakat. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 yang mewajibkan adanya sistem informasi tentang pangan dan gizi dan teori evolusi e-government 3.0. Oleh karena itu salah satu solusi yang mendukung peraturan tersebut dan pendekatan e-government 3.0 adalah dengan pendekatan text mining. Penelitian ini mengolah data dari LAPOR! dan berita daring mengenai kedaulatan pangan untuk mengekstrak informasi dan menemukan pola-pola yang akan menghasilkan informasi tentang kedaulatan pangan di Indonesia sehingga dapat membantu pengambilan keputusan yang berdasar pada data melalui representasi visualisasi berbasis web. Jenis analisis informasi yang digunakan adalah Klasifikasi Dokumen untuk penyaringan dokumen, Named Entitiy Recognition yang digunakan untuk mengetahui entitas lokasi dan komoditas pangan dari data tekstual, dan Topic Modelling untuk menemukan topik dari sekumpulan teks dokumen berita dan aduan LAPOR!. Algoritma yang dipakai dalam penelitian ini adalah Conditional Random Fields dan Conditional Markov Model untuk implementasi Named Entity Recognition. Latent Dirichlet Allocation dan Non-Negative Matrix Factorization untuk implementasi Topic Modelling. Selain itu Naïve Bayes, Support Vector Machine, dan Logistic Regression digunakan untuk klasifikasi dokumen. Sedangkan pemilihan model ini menggunakan Conditional Random Field dengan nilai F1-score pada entitas lokasi sebesar 83.85 dan entitas komoditas pangan sebesar 90.98 yang digunakan pada data berita daring, pada data aduan LAPOR!, entitas lokasi menggunakan Conditional Markov Model dengan nilai F1-Score sebesar 60.35 dan entitas komoditas pangan sebesar 89.74. Pada klasfikasi dokumen, model Support Vector Machine dengan fitur unigram memiliki nilai presisi sebesar 92.00. Pada Topic Modelling, model Non-Negative Matrix Factorization memiliki nilai coherence yang lebih tinggi daripada Latent Direchlete Allocation pada tiga eksperimen dengan dataset yang berbeda. Di samping itu, dilakukan visualisasi tentang kedaulatan pangan berdasarkan pengolahan data tersebut di atas untuk memudahkan pengambilan kebijakan oleh pimpinan seperti Tim Ahli di Kantor Staf Presiden.

---

ABSTRACTFood is a human right that must always be fulfilled by the society with the appropriate purchasing power and high and safe food quality. This encourages food sovereignty of a country, which independently meets the food needs of its people based on a food system that is fair to the entire community. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 requires an information system on food and nutrition and the theory of e-government 3.0 evolution. Therefore, one solution that supports these regulations and the e-government 3.0 approach is the text mining approach. This research processes data from LAPOR! and online news on food sovereignty to extract information and find patterns that will produce information on food sovereignty in Indonesia so that it can assist decision-making based on data through web-based visualization representation. The type of information analysis used is Document Classification for document filtering, Named Entity Recognition which is used to find out location entities and food commodities from textual data, and Topic Modeling to find topics from a collection of text news documents and complaints LAPOR !. The algorithm used in this study is Conditional Random Fields and Conditional Markov Models for the implementation of Named Entity Recognition. Latent Dirichlet Allocation and Non-Negative Matrix Factorization for the implementation of Topic Modeling. In addition Naïve Bayes, Support Vector Machine, and Logistic Regression are used for document classification. Whereas the selection of this model uses Conditional Random Field with an F1-score value for location entities of 83.85 and a food commodity entity of 90.98 used in online news data. In the LAPOR! Complaint data, the location entity uses Conditional Markov Model with an F1-Score value of 60.35 and food commodity entities amounting to 89.74. In classifying documents, the Support Vector Machine model with unigram features has a precision value of 92.00. In Topic Modeling, the Non-Negative Matrix Factorization model has a higher coherence value than the Latent Direchlete Allocation in three experiments with different datasets. In addition, visualization of food sovereignty is based on the processing of the data above to facilitate policy making by leaders such as the Expert Team at the Kantor Staf Presiden.

"

"ABSTRACTPelayanan publik berperan penting untuk meningkatkan kesejahteraan masyarakat. Kepolisian Republik Indonesia merupakan lembaga pelayanan publik yang memiliki peranan penting di masyarakat. Namun, penilaian kinerja Polri yang berhubungan langsung dengan masyarakat masih rendah dan perlu ditingkatkan. Peningkatan kinerja layanan Polri dilakukan dengan memahami aduan dan masukan dari masyarakat. Aduan merupakan informasi penting untuk penyedia layanan untuk mengetahui arah perbaikan dan pengembangan layanan ke depannya. Perkembangan teknologi membuat sistem penyampaian pengaduan dapat disampaikan secara online sehingga lebih mudah. Kemudahan ini sejalan dengan banyaknya jumlah aduan yang disampaikan masyarakat kepada Polri. Aduan masyarakat merupakan data teks yang tidak terstruktur dengan penggunaan kosa kata yang bervariasi. Maka dari itu, pendekatan text miningpenting untuk dilakukan. Penelitian ini bertujuan untuk mengklasifikasi dan melakukan clustering dari aduan masyarakat kepada Polri untuk topik permasalahan yang sering disampaikan masyarakat. Untuk klasifikasi, algoritme yang digunakan adalah Support Vector Machine SVM dan Random Forest Classifier RFC karena kedua algoritme bekerja dengan baik untuk mengklasifikasi data teks dalam jumlah besar. Hasilnya algoritme RFC bekerja lebih baik pada kasus ini dengan akurasi 72 . Untuk clustering, algoritme yang digunakan adalah Self-Organizing Maps. Hasil penelitian menunjukkan aduan terbanyak masyarakat terdapat di Kelas Pelayanan Buruk dengan topik yang sering dibahas berkaitan dengan satuan kerja Korps Lalu-Lintas Polri.

---

ABSTRACTPublic services take a major role to improve the welfare of society. Indonesia National Police is one of public service institution which have an important role. Unfortunately, assessment of Police performance related to the public service quality is still low. Police needs to improvetheirservice quality. For improving the performance, by analyzing inputs and complaints from public. Complaint is an valuable information for service provider in order to know the service improvement and development in the future. Technology advances make the online complaint handling system easy to access. This is allign with the number of public complaints for Police. Public complaints is unstructured text data with varying vocabulary. Hence, this research is using text mining approach. This research aims to classify and cluster the public complaints to Indonesia National Police to get the specific topic of the complaint. Support Vector Machine and Random Forest Classification RFC algorithms are used for classification. RFC works better on this research with 72 accuracy. Self Organizing Maps algorithm is used for clustering. The result is the highest public complaints are in poor service quality class with topics related to National Police rsquo s Traffic Corps."

"Pengadaan buku melakukan penyeleksian kebutuhan topik berdasarkan rekomendasi dosen, beberapa mahasiswa, maupun pustakawan sendiri. Sumber ini dianggap kurang menyeluruh, sehingga dibutuhkan sumber informasi lain, yaitu kata kunci pencarian buku. Penelitian ini dilakukan di Perpustakaan Universitas Indonesia dengan menggunakan salah satu dari metode text mining, yaitu metode Latent Relation Discovery untuk menemukan nilai relation strength dengan memperhitungkan kemunculan bersamaan dan jarak antara kata. Hasil dari penelitian menemukan 126 pasangan kata atau topik kata kunci pencarian dan 56 topik yang sesuai dengan topik buku pinjaman dan 2 topik yang sesuai dengan topik buku yang akan diadakan, sehingga 58 topik kemudian diajukan. Jika dibandingkan dengan hanya melihat frekuensi kata, topik ini dapat memberikan informasi yang lebih spesifik. Namun jika dibandingkan dengan topik pada buku pinjaman dan daftar pengadaan buku, topik kata kunci menjadi terlalu umum dan terbatas pada kata yang muncul.

---

Books acquisition usually do the screening needs of topics based on lecturer recommendations, some students, and librarian themselves. These sources are considered less comprehensive, thus other sources of information is needed, that is keyword. This research was conducted at the University of Indonesia Library using one of the methods of text mining, the method of Latent Relation Discovery, to find relations strength value by considering the emergence of concurrence and distance between words.

The results of the study found 126 pairs of words or topic from keyword and 56 topics that fit with the topic of the borrowed book and the 2 topics that match the topics to the book that is recommended. Rather than simply considering frequency of the words, this topic can provide more specific information, but when it compared with the topics from the loan book and textbook acquisition list, these topics become too common and limited to words that appear."

"This book contains a wide swath in topics across social networks & data mining. Each chapter contains a comprehensive survey including the key research content on the topic, and the future directions of research in the field. There is a special focus on text embedded with heterogeneous and multimedia data which makes the mining process much more challenging. A number of methods have been designed such as transfer learning and cross-lingual mining for such cases."