Articles
<![CDATA[Implementasi dan Analisis Betweenness Centrality Berbasis Konten Menggunakan Algoritma Geisberger ]]>
<![CDATA[Joshua Tanuraharja]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Alfian Akbar Gozali]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 1 (2015): April, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Jejaring sosial marak digunakan oleh Usaha Kecil Menengah untuk memasarkan produk dan jasa, guna mencari user yang berpotensi menjadi buzzer dibutuhkan pengetahuan tentang Social Network Analysis (SNA). SNA digunakan untuk menganalisis interaksi dalam suatu kelompok jaringan sosial. Contoh pengembangan SNA adalah Content Based Social Network Analysis (CBSNA) yang dapat digunakan untuk menentukan rangking user berpengaruh berdasarkan relasi kesamaan konten. Salah satu metode penghitungan centrality adalah metode Linear Scaling yang dikembangkan oleh Geisberger, dimana dalam menghitung betweenness centrality cukup menggunakan beberapa node sebagai sumber. Pada penelitian tugas akhir ini metode yang digunakan adalah Linear Scaling yang dipadukan dengan Vector Space Model, pertama bertujuan untuk menghitung betweenness centrality berbasis konten pada studi kasus media sosial Twitter dan yang kedua untuk menganalisis parameter yang berpengaruh pada metode Linear Scaling dalam penghitungan nilai betweenness centrality. Hasil pengujian menunjukkan bahwa user dengan nilai similarity tinggi memiliki isi konten Quote Retweet selain itu metode Linear Scaling dipengaruhi oleh nilai pivot (k) dan jumlah edge suatu graf. Linear Scaling dapat digunakan untuk menghitung betweenness centrality guna menentukan ranking user yang berpengaruh berdasar suatu kata kunci tertentu. Kata Kunci : Usaha Kecil Menengah, Content Based Social Network Analysis, Betweeneess Centrality, Algoritma Geisberger, Linear Scaling, Vector Space Model.]]>
<![CDATA[Implementasi dan Analisis Degree Centrality Berbasis Konten menggunakan Metode Opsahl ]]>
<![CDATA[Bondan Ari Bowo]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Alfian Akbar Gozali]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 1 (2015): April, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Jejaring sosial merupakan salah satu sarana dimana banyak orang dapat saling bertukar informasi, berkomunikasi bahkan dapat digunakan sebagai media pemasaran produk dari sebuah UKM. Social Network Analysis (SNA) merupakan ilmu yang mempelajari suatu hubungan antar node dan ties pada suatu jaringan. Salah satu penerapan pada studi SNA adalah mengukur sentralitas suatu node dalam suatu jaringan. Salah satu metode pada SNA yaitu Degree Centrality yang mengukur suatu node dilihat dari bobot jumlah relasi. Pada tugas akhir ini metode yang digunakan adalah metode Opsahl, untuk mencari node yang berpengaruh dengan mengkombinasikan jumlah relasi dan jumlah kekuatan simpul node yang didapat dari similarity terhadapa konten yang dimiliki user dengan menggunakan VSM. Berdasarkan hasil pengujian, user berpengaruh merupakan user yang mempunyai nilai node strength tinggi dan mempunyai konten yang berupa quote retweet dari suatu user twitter. Kata kunci : Social Network Analysis, similarity, centrality, Opsahl, konten, VSM.]]>
<![CDATA[Implementasi Dan Analisis Closeness Centrality Berbasis Konten Pada Social Network Twitter Dengan Algoritma Dijkstra ]]>
<![CDATA[Artanto Ageng Kurniawan]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Alfian Akbar Gozali]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstrak Social Network Analysis (SNA) telah digunakan untuk membantu dalam melakukan analisis terhadap suatu social network. Social network Twitter merupakan salah satu media yang populer dan efektif digunakan untuk mengenalkan atau menawarkan produknya lewat konten tweet. Salah satu penerapa SNA yaitu perhitungan centrality untuk mengukur seberapa terpusatkah user dalam suatu jaringan. Closeness centrality merupakan salah satu metode untuk perhitungan nilai centrality berdasarkan jumlah jarak yang harus dilalui sebuah node untuk menyebarkan sebuah informasi. Pada penelitian tugas akhir ini menggunakan algoritma Dijsktra, yang akan mencari nilai shortest path pada graph berdasarkan bobot yang dilihat dari similarity antar konten tweet yang kemudian akan dihitung nilai closeness dari tiap node. Dengan metode ini diharapkan akan mengetahui peringkat user dalam jaringan dalam menyebarkan sebuah informasi. Kata Kunci: Social Network Analysis, centrality, closeness centrality, graph, Dijkstra, similarity]]>
<![CDATA[Analisis Klasifikasi Sentimen Level Aspek Menggunakan Pendekatan Pembelajaran Supervised ]]>
<![CDATA[Trysha Cintantya Dewi]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Anisa Herdiani]]>
<![CDATA[ eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Peningkatan transaksi pada e-commerce terlihat dari maraknya pelaku pasar dalam proses jual beli menggunakan media online. Konsumen bebas dalam memberikan opini suatu produk dapat digunakan oleh konsumen lain dalam membuat keputusan dalam pembelian suatu produk tersebut. Jumlah ulasan yang banyak dan penggunaan bahasa yang tidak sesuai kaidah standar akan menyulitkan konsumen dalam penarikan kesimpulan ulasan pada suatu produk. Pembangkitan ringkasan review produk dengan menentukan orientasi opini positif atau negatif pada fitur produk dapat membantu proses pembacaan suatu ulasan produk. Terdapat dua tahap sebelum memasuki tahap pembangkitan ringkasan. Pertama, ekstraksi aspek dan opini yaitu aspek suatu produk yang didapatkan melalui teknik knowledge pattern. Kemudian penentuan sentimen pada setiap opini produk menggunakan pendekatan supervised learning dengan melabelkan pada fitur untuk klasifikasi sebuah aspek produk. Satu kalimat ulasan dapat memiliki satu atau lebih aspek produk, sehingga pemilihan level aspek pada penentuan sentimen dilakukan agar sentimen positif atau negatif diperoleh berdasarkan aspek. Peringkasan ulasan produk pada setiap fiturnya akan diringkas secara ekstraktif dengan menampilkan fitur produk dengan orientasinya yang dipisahkan antara positif dengan negatif. Penambahan pada aturan pattern knowledge hasil dari eksperimen dan pengamatan pada aspek yang belum terekstrak secara konsisten dapat menambah identifikasi aspek pada opini produk. Ekstraksi yang belum sempurna karena pattern knowledge yang belum menguasai penggunaan bahasa dengan kaidah standar yang tidak sesuai. Hal tersebut dibantu dengan klasifikasi orientasi opini menggunakan pendekatan pembelajaran supervised yang menggunakan tahap belajar pada aspek yang teridentifikasi. Hasil dari penelitian tugas akhir ini didapatkan penambahan aturan pada teknik pattern knowledge yang mampu secara konsisten mengidentifikasi aspek produk yang lebih baik dibandingkan dengan aturan sebelumnya. Kemudian klasifikasi menggunakan pendekatan pembelajaran supervised dapat membantu dengan baik orientasi opini dengan model yang telah dibangung dari hasil ekstraksi aspek dan opini yg dilakukan. Kata Kunci: review produk, knowledge pattern technique, analisis sentimen, supervised learning, peringkasan opini.]]>
<![CDATA[Ekstraksi Opini Dengan Menggunakan Pendekatan Association Rule Mining ]]>
<![CDATA[Kurniawan Adina Kusuma]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Moch. Arif Bijaksana]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstrak Transaksi secara online sudah berkembang secara pesat dewasa ini. Jumlah produk yang terjual secara online semakin bertambah banyak dan beranekaragam jenisnya. Sebuah review tentang produk acap kali diberikan oleh konsumen untuk mengomentari produk-produk yang sudah mereka beli. Pada jenis produk dengan brand yang sudah terkenal memiliki review yang sangat banyak. Seharusnya review dari konsumen bisa dimanfaatkan produsen sebagai feedback dan digunakan calon konsumen sebagai referensi saat akan membeli barang. Review produk yang jumlahnya semakin banyak akan menyulitkan pembaca jika harus membacanya satu persatu. Solusinya adalah dengan mengidentifikasi fitur produk secara spesifik dari review yang sudah ditulis konsumen. Tugas akhir ini dilakukan untuk mengidentifikasi masalah featured- based opinion summarization dari review konsumen. Proses identifikasi ini terdiri dari dua tahap utama, yaitu : (1) ekstraksi fitur produk yang sudah direview oleh konsumen (feature extraction); dan (2) identifikasi polaritas fitur untuk menentukan polaritas kalimat opini (sentiment analysis). Metode yang digunakan pada opinion extraction ini adalah dengan metode association rule mining dengan algoritma apriori. Berdasarkan hasil pengujian, penggunaan metode association rule mining terbukti dapat mengekstrak fitur produk. Fitur yang sudah diekstraksi tersebut kemudian dicek pada setiap kalimat untuk menemukan orientasi opini dengan bantuan SentiWordNet sehingga didapatkan polaritas opini fitur yang dibicarakan oleh konsumen pada review. Kata kunci : Association rule mining, Feature extraction, Opinion summarization, Sentiment analysis]]>
<![CDATA[Opinion Extraction Dengan Menggunakan Pendekatan Pattern Rule ]]>
<![CDATA[Sendika Panji Anom]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Moch. Arif Bijaksana]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstrak Opinion mining merupakan topik yang sedang marak dilakukan saat ini. Opinion mining merupakan cabang penelitian dari text mining yang berfokus dalam analisis opini dari suatu dokumen teks. Dunia bisnis saat ini menggunakan opinion mining untuk menganalisis secara otomatis opini pelanggan tentang produk dan pelayanannya dan melakukan klasifikasi opini positif dan negatif. Salah satu cara untuk menerapkan opinion mining adalah Opinion extraction. Cara ini digunakan untuk mendeteksi dimana terdapat sebuah kata kata opini dalam suatu dokumen atau kalimat. Tahap ini mempunyai beberapa pendekatan dalam penerapannya, pada tugas akhir ini menggunakan pattern rule sebagai metode pendekatan. Pedekatan ini digunakan untuk ekstraksi fitur dan opini dalam kalimat dengan mencocokan susunan kalimat dengan pola pengetahuan. Pendekatan ini dapat mengekstraksi kandidat fitur dan opini sekaligus dari sebuah dokumen atau kalimat kemudian dilakukan klasifikasi opini positif negatif berdasarkan semantic orientation dengan algoritma PMI-IR Kata Kunci: Opinion Mining, Opinion Extraction, Pattern Rule]]>
<![CDATA[Analisis Sentimen Review Produk Menggunakan Pendekatan Berbasis Kamus ]]>
<![CDATA[Fairuz Ahmad Hirzani]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Moch. Arif Bijaksana]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstrak Review produk pada situs e-commerce sering kali menjadi tujuan calon pembeli produk dalam menilai kualitas dan tingkat kepuasan konsumen lain terhadap suatu produk. Jumlah review yang sangat banyak tentunya akan menyulitkan pembaca dalam penarikan informasi. Peringkasan dan klasifikasi opin i terhadap fitur suatu produk merupakan hal yang dibutuhkan guna mempercepat pembacaan dan penarikan kesimpulan terhadap kualitas suatu produk. Penelitian di bidang ini, khususnya feature based opinion summarization telah banyak dikembangkan dengan menggunakan berbagai macam teknik dan pendekatan. Analisis sentimen berbasis fitur membutuhkan proses ekstraksi fitur terlebih dahulu sebelum melakukan identifikasi opini. Proses ini dilakukan dengan melakukan identifikasi terhadap kata benda yang sering dibicarakan menggunakan penerapan association mining. Association mining yang diterapkan untuk ekstraksi fitur terbukti dapat menghasilkan fitur hasil ekstraksi dengan sebelumnya dilakukan proses pemilihan kata. Fitur yang didapat selanjutnya ditinjau untuk setiap kalimat menggunakan bantuan kamus opini untuk mengidentifikasi orientasi opini fitur yang dibicarakan oleh konsumen. Pendekatan seperti ini dalam analisis sentimen berbasis fitur biasa disebut pendekatan berbasis kamus. Kata kunci : analisis sentien, review produk, feature based opinion summarization]]>
<![CDATA[Analisis dan Implementasi Betweenness Centrality pada Social Network Twitter dengan Metode Linear Scaling Berbasis Pengguna ]]>
<![CDATA[Diska Yunita]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Alfian Akbar Gozali]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 1 (2015): April, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Social Network berisi peta individu-individu dan relasi yang terjadi di antara mereka. Analisis hubungan antar individu, bagaimana hubungan tersebut terjadi, dan konsekuensinya dapat dipelajari menggunakan teknik Social Network Analysis. Salah satu contoh penerapannya yaitu pada centrality measurement yang digunakan untuk menentukan pengguna yang berpengaruh dalam penyebaran informasi. Salah satu metode yang dapat digunakan adalah betweenness centrality, node yang paling sering dilewati shortest path merupakan node yang memiliki centrality paling tinggi. Pada tugas akhir ini menerapkan salah satu algoritma dari betweenness centrality, yaitu algoritma Geisberger. Algoritma Geisberger digunakan untuk menghitung betweenness centrality pada graf yang berbobot dan tidak berarah dengan menggunakan metode Linear Scaling. Tujuannya untuk menentukan ranking user yang berpengaruh dalam social media Twitter dan yang kedua untuk mengetahui pengaruh nilai parameter k dalam perhitungan nilai centrality. Hasil pengujian menunjukan bahwa metode Linear Scaling dengan dapat digunakan untuk menentukan ranking user yang berpengaruh dalam penyebaran informasi di Twitter. Hasil yang kedua yaitu nilai k berpengaruh terhadap hasil perangkingan, semakin besar nilai k maka hasil perangkingan semakin stabil. Selain nilai k, faktor lain yang mempengaruhi perangkingan yaitu egde dan penghapusan node. Kata kunci: Social Network Analysis, Betweenness Centrality, Linear Scaling]]>
<![CDATA[Ekstraksi Fitur Dan Opini Menggunakan Pendekatan Pattern Knowledge Dan Opinion Lexicon ]]>
<![CDATA[I Nyoman Cahyadi Wiratama]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Moch. Arif Bijaksana]]>
<![CDATA[ eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstrak Ekstraksi fitur dan opini merupakan suatu cara yang dapat digunakan untuk mengetahui kata fitur dan opini dari suatu review. Suatu tanggapan dapat mengandung opini positif atau negatif. Dengan mengetahui fitur dan opini dari suatu review, dapat membantu seseorang dalam mengambil suatu keputusan. Namun tidak semua kata pada suatu review merupakan fitur ataupun opini, dan juga banyaknya review semakin menyulitkan seseorang untuk mengetahui fitur dan opini dari review tersebut. Maka dari itu diperlukan pengekstraksian fitur dan opini yang akan memudahkan dalam menemukan kata fitur dan opini dari suatu kalimat review. Beberapa pendekatan yang dapat digunakan untuk mengekstraksi fitur dan opini, yaitu dengan pendekatan association rule mining, unsupervised pattern mining, mutual reinforcement approach, opinion lexicon, dan pattern knowledge [1]. Pada tugas akhir ini penulis menggunakan pendekatan pattern knowledge dan opinion lexicon untuk melakukan prediksi kalimat opini, melakukan ekstraksi fitur dan opini, dan juga menentukan polaritas atau orientasi dari suatu review apakah bernilai positif atau negatif yang kemudian akan dikelompokkan berdasarkan fiturnya untuk memudahkan dalam pencarian review. Dengan menggunakan pendekatan ini akan didapatkan fitur produk dan polaritas dari suatu kalimat review produk. Kata Kunci: Opini, Fitur, Pattern knowledge, Opinion lexicon]]>
<![CDATA[Peringkasan Review Produk Berbasis Fitur Menggunakan Semantic Similarity Scoring Dan Sentence Clustering ]]>
<![CDATA[Yanuar Ega Ariska]]>;
<![CDATA[Warih Maharani]]>;
<![CDATA[Mohamad Syahrul Mubarok]]>
<![CDATA[ eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016 ]]>
Publisher : <![CDATA[eProceedings of Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Ulasan produk dari konsumen merupakan salah satu faktor yang penting dalam penjualan suatu produk. Menganalisis klasifikasi sentimen dan peringkasan suatu review produk memiliki tiga tahap yang harus dilakukan. Tahap pertama yaitu ekstraksi fitur menggunakan frequent itemset mining dengan algoritma apriori. Kemudian, dilakukan klasifikasi opini menggunakan SentiWordnet untuk penentuan polaritas kata opini. Tahap terkahir yaitu dilakukan peringkasan menggunakan semantic similarity scoring dan sentence clustering. Hasil dari penelitian ini didapat bahwa filtering kata yang sesuai juga mempengaruhi performansi dari ekstraksi pada penelitian ini. Filtering kata digunakan yaitu Noun, Noun Phrase, irisan serta gabungan keduanya, keempat filtering kata yang digunakan memiliki hasil yang cukup seimbang, gabungan dan irisan yang diharapkan dapat meningkatkan performansi juga masih didapat hasil yang tidak terlalu jauh dengan hanya Noun dan Noun Phrase. Hasil performansi ekstraksi pada penelitian ini adalah sekitar 20-40% pada dataset yang digunakan. Klasifikasi menggunakan SentiWordNet menunjukkan hasil performansi yang cukup baik namun pada beberapa dataset yang memiliki kompleksitas kalimat yang cukup tinggi juga terjadi penurunan walaupun tidak terlalu berbeda jauh dan masih pada sekitaran 40-90%. Peringkasan dokumen dapat dilakukan dengan baik pada dataset yang disediakan karena dataset memiliki jumlah kalimat ulasan produk yang memadai dan peringkasan dengan metode yang digunakan memperlihatkan beberapa representasi kalimat dari clustering dengan baik. Kata kunci: analisis sentimen, ulasan produk, frequent pattern generation, association mining, semantic smimilarity scoring, sentence clustering.]]>
