DETEKSI EMOSI DARI TWEET BERBAHASA INDONESIA MENGGUNAKAN LDA DAN KONVERSI EXPRESSION SYMBOL

Cahyaningtyas, Risma Mustika and KUSUMANINGRUM, RETNO (2017) DETEKSI EMOSI DARI TWEET BERBAHASA INDONESIA MENGGUNAKAN LDA DAN KONVERSI EXPRESSION SYMBOL. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

515Kb

Abstract

Twitter sebagai salah satu jejaring sosial yang menarik perhatian banyak masyarakat Indonesia karena dianggap sebagai tempat berbagi karya, ide, opini tentang isu-isu yang terjadi, dan media untuk mengungkapkan berbagai hal mengenai kehidupan pribadi. Kepopuleran Twitter dapat digunakan menjadi sumber data pendapat dan sentimen masyarakat yang efisien untuk pemasaran ataupun studi sosial. Salah satu bentuk studi sosial yang dapat diterapkan pada proses analisis twitter adalah deteksi emosi. Pendeteksian emosi berpotensi untuk diterapkan dalam berbagai macam aplikasi mulai dari aplikasi kesehatan, konseling, bisnis, hingga studi populasi masyarakat. Penelitian ini memanfaatkan salah satu model pemodelan topik terpopuler dan paling sederhana yaitu Latent Dirichlet Allocation (LDA) serta konversi expression symbol (emoticon/ emoji) yang menunjukkan emosi ataupun topik pada sebuah tweet untuk memperbanyak kosa kata yang merepresentasikan emosi. Kelebihan dari metode LDA yang diajukan adalah dapat mendeteksi beberapa emosi pada tweet karena pendeteksian yang dilakukan tidak bersifat kaku dan dapat menunjukkan proporsi emosi yang ada pada tweet. Penelitian ini juga membandingkan deteksi emosi menggunakan LDA dan konversi expression symbol dengan deteksi emosi menggunakan LDA (tanpa konversi expression symbol). Hasil penelitian menunjukkan bahwa deteksi emosi menggunakan LDA dan konversi expression symbol lebih baik dengan rata-rata selisih akurasi mencapai sebesar 14.096%.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:60637
Deposited By:Mrs. Rismiyati .
Deposited On:09 Feb 2018 10:53
Last Modified:09 Feb 2018 10:53

Repository Staff Only: item control page