Khairul Hudha Nasution, Widodo, Bambang Prasetya Adhi
{"title":"SISTEM DETEKSI TOPIK POLITIK PADA TWITTER MENGGUNAKAN ALGORITMA LATENT DIRICHLET ALLOCATION","authors":"Khairul Hudha Nasution, Widodo, Bambang Prasetya Adhi","doi":"10.21009/pinter.5.1.10","DOIUrl":null,"url":null,"abstract":"Tahun 2019 Indonesia melaksanakan tahun politik, banyak terjadi peristiwa politik yang membuat masyarakat Indonesia menyikapi dengan berbagai macam tanggapan dari berbagai banyak tanggapan tersebut beberapa dituliskan dalam media sosial Twitter dan data tersebut dapat diolah untuk menggambarkan bagaimana pendapat masyarakat akan suatu kejadian politik. Penelitian ini bertujuan untuk mendapatkan analisis dari implementasi algoritma LDA untuk menentukan topik politik pada Twitter. Metode yang digunakan adalah dengan algoritma LDA yang digunakan untuk menghitung kemungkinan topik yang ada untuk setiap tweet-nya, LDA merupakan model probabilistik yang dapat menggambarkan topik tanpa perlu melakukan proses klasifikasi sebelumnya, sistem akan otomatis mendeteksi topik-topik yang ada. Hasil penelitian dengan pengujian 3 kali dengan jumlah data masing-masing 100, 1000 dan 6000 dengan menggunakan setingan LDA bawaan dari library Genism dan jumlah topik 10 menghasilkan rata-rata nilai kebenaran 90%. Sehingga dapat disimpulkan bahwa LDA dapat digunakan dan memiliki nilai kebenaran yang tinggi dalam mendeteksi topik politik pada Twitter.","PeriodicalId":258953,"journal":{"name":"PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-06-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21009/pinter.5.1.10","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

摘要

2019年,印尼实行了政治年,许多政治事件让印尼人民对这些反应做出了反应,其中一些是写在Twitter社交媒体上的,这些数据可以用来描述人们对政治事件的看法。本研究旨在获得LDA算法实施的分析,以确定Twitter上的政治主题。使用的方法是用的LDA算法来计算每一列进行有那条推特话题,LDA主题是一个概率模型,描述了可以不用做过分类过程,系统会自动检测到存在的话题。通过使用LDA Genism库中的先验数据进行3倍的测试,每次测试100、1000和6000个主题集,每次测试10个主题集,平均真理值为90%。因此,可以得出结论,LDA在发现Twitter上的政治话题时是有用的,它具有很高的价值。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
SISTEM DETEKSI TOPIK POLITIK PADA TWITTER MENGGUNAKAN ALGORITMA LATENT DIRICHLET ALLOCATION
Tahun 2019 Indonesia melaksanakan tahun politik, banyak terjadi peristiwa politik yang membuat masyarakat Indonesia menyikapi dengan berbagai macam tanggapan dari berbagai banyak tanggapan tersebut beberapa dituliskan dalam media sosial Twitter dan data tersebut dapat diolah untuk menggambarkan bagaimana pendapat masyarakat akan suatu kejadian politik. Penelitian ini bertujuan untuk mendapatkan analisis dari implementasi algoritma LDA untuk menentukan topik politik pada Twitter. Metode yang digunakan adalah dengan algoritma LDA yang digunakan untuk menghitung kemungkinan topik yang ada untuk setiap tweet-nya, LDA merupakan model probabilistik yang dapat menggambarkan topik tanpa perlu melakukan proses klasifikasi sebelumnya, sistem akan otomatis mendeteksi topik-topik yang ada. Hasil penelitian dengan pengujian 3 kali dengan jumlah data masing-masing 100, 1000 dan 6000 dengan menggunakan setingan LDA bawaan dari library Genism dan jumlah topik 10 menghasilkan rata-rata nilai kebenaran 90%. Sehingga dapat disimpulkan bahwa LDA dapat digunakan dan memiliki nilai kebenaran yang tinggi dalam mendeteksi topik politik pada Twitter.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信