Claim Missing Document
Check
Articles

Personality Detection On Twitter User With RoBERTa Rianda Khusuma; Warih Maharani; Prati Hutari Gani
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 1 (2023): Januari 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i1.5598

Abstract

Social media provides a service where users can make status updates about themselves. One of the social media that has such a facility is twitter. Twitter allows its users to express themselves easily by uploading tweets to their Twitter accounts. These activities on social media can indirectly describe the personality of the account owner. One form of personality classification that can be used is the big five personality. This theory classifies individual characters into five personality types, namely openness, conscientiousness, extraversion, agreeableness, and neuroticism. In the work environment, personality will significantly affect the work that is suitable for someone to do. To do a personality test, a test that is done manually, certainly takes longer and costs more. Therefore the use of machine learning to detect personality from social media is needed. By using the RoBERTa model to perform personality classification and dataset support from Twitter tweets, a system can be formed to detect personality. In the RoBERTa model, by determining the optimal ratio of training data and test data, as well as performing hyperparameter tuning, accuracy results can be obtained in classification activities, reaching 57.14%.
Comparative Analysis of Personality Detection using Random Forest and Multinomial Naive Bayes Azka Zainur Azifa; Warih Maharani; Prati Hutari Gani
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 1 (2023): Januari 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i1.5592

Abstract

Personality is a difference that is owned by each individual in thinking, feeling, and behaving. Personality is an individual characteristic that is formed based on biological parents and environmental influences. Personality type is one of the determinants of the type of work performed. The Big Five personality is a method used to detect personality. This theory divides characteristics into five dimensions, namely Openness, Conscientiousness, Extraversion, Neuroticism, and Agreeableness. Several studies have shown that personality identification can be done through social media, one of which is by using Twitter. Much research related to personality detection has been carried out using machine learning, but only focuses on one machine learning model. In the case of text detection, multinomial naive bayes have a more stable performance than random forest, while random forest has better accuracy than multinomial naive bayes. therefore this study focuses on conducting a comparative analysis using random forest and multinomial naive Bayes. the best accuracy is produced by a system with a random forest model of 60.71% and a precision value of 62% for openness personality and 57% for agreeableness personality.
Depression Detection on Twitter Social Media Platform using Bidirectional Long-Short Term Memory Andre Agasi Simanungkalit; Warih Maharani; Prati Hutari Gani
JINAV: Journal of Information and Visualization Vol. 3 No. 2 (2022)
Publisher : PT Mattawang Mediatama Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35877/454RI.jinav1503

Abstract

Depression is one of the mental disorders that are often experienced by a person in daily life. Social media platforms is a new thing as an alternative to tell stories and express current feelings by people today. Twitter is one of the social media that is often used to express feelings and opinions through tweets posts, including tweets that contain hate speech which indirectly shows symptoms of depressive disorder through statements uploaded. It also requires modeling that can recognize users with the potential to experience depression so that they can get initial treatment. This can be implemented using the BiLSTM (Bidirectional Long Short-Term Memory) method and the Word2Vec feature. It can be concluded that the dimensional size of the large feature word2vec, LSTM, and Conv1d layers influenced the model in detecting depression which can be seen in the testing accuracy and F-1 score according to the split data used.
DEPRESSION DETECTION ON SOCIAL MEDIA TWITTER USING XLNET METHOD Fika Apriliani; Warih Maharani
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 8, No 1 (2023)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v8i1.3345

Abstract

Depression is a serious mental illness. Depression is usually characterized by feelings of sadness, hopelessness, anxiety, restlessness, and even loss of life. However, not everyone who experiences depression can get professional treatment. If depression is left unchecked, it can worsen the mental health conditions experienced by a person. Social media, one of which is the increasingly popular twitter can be utilized to help deal with the problem of undetected mental illness. Based on tweets made by a person twitter social media can be one of the sources to detect depression using the XLNet method. XLNet is one of the NLP (Natural Language Processing) techniques based on machine learning models on text. Based on several tests that have been carried out during the research such as testing various tuning hyper-parameters with different values on the XLNet model, it achieves a good performance value with an average accuracy value of 93.33%.
Implementasi dan Analisis Betweenness Centrality Berbasis Konten Menggunakan Algoritma Geisberger Joshua Tanuraharja; Warih Maharani; Alfian Akbar Gozali
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

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.
Implementasi dan Analisis Degree Centrality Berbasis Konten menggunakan Metode Opsahl Bondan Ari Bowo; Warih Maharani; Alfian Akbar Gozali
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

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.
Implementasi Dan Analisis Closeness Centrality Berbasis Konten Pada Social Network Twitter Dengan Algoritma Dijkstra Artanto Ageng Kurniawan; Warih Maharani; Alfian Akbar Gozali
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

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
Analisis Klasifikasi Sentimen Level Aspek Menggunakan Pendekatan Pembelajaran Supervised Trysha Cintantya Dewi; Warih Maharani; Anisa Herdiani
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

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.
Ekstraksi Opini Dengan Menggunakan Pendekatan Association Rule Mining Kurniawan Adina Kusuma; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

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
Opinion Extraction Dengan Menggunakan Pendekatan Pattern Rule Sendika Panji Anom; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

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
Co-Authors Adhie Rachmatulloh Sugiono Adinda Putri Rosyadi Adiwijaya Agin Permana Yogaswara Agung Toto Wibowo Aisyiyah, Syarifatul Ajeung Angsaweni Aji Gunadi, Gagah Al Giffari, Muhammad Zacky Aldy Renaldi Alfathur Rizki Hermawan Alfian Akbar Gozali Algi Erwangga Putra Alif Rahmat Julianda Andre Agasi Simanungkalit Angelina Prima Kurniati Anisa Herdiani annisa Imadi Puti Antonius Simon Arianti Primadhani Tirtopangarsa Arie Ardiyanti Suryani Artanto Ageng Kurniawan Asep Aprianto Aziz Alfauzi Aziz Azka Zainur Azifa Bondan Ari Bowo Chacha Alisha Dewintasari Daud, Hanita Dicky Wahyu Hariyanto Diska Yunita Dita Martha Pratiwi Elroi Yoshua Ersy Ervina Evizal Abdul Kadir Fadhel, Muhammad Fadhil Hadi Fairuz Ahmad Hirzani Fathin, Felicia Talitha Fika Apriliani Fikri Ilham Guntur Prabawa Kusuma Hafizh Putra Hafshah Haudli Windjatika Hilda Fahlena Holle, Alfransis Perugia Bennybeng I Kadek Bayu Arys Wisnu Kencana I Nyoman Cahyadi Wiratama Ilham Rizki Hidayat Imelda Atastina Intan Nurma Yunita Intan Ramadhani Jason Kusuma Joshua Tanuraharja Keri Nurhidayat Kurniawan Adina Kusuma Latifa, Agisni Zahra M.Syahrul Mubarok Marcello Rasel Hidayatullah Moch Arif Bijaksana Mohamad Mubarok Mohamad Syahrul Mubarok Muh. Akib A. Yani Muhammad Arif Faisal Muhammad Fadhil Mubaraq Muhammad Husein Adnan Muhammad Rafan Muhammad, Noryanti Nadia Nurhalija Zuaeni Nida Anggraeni Niken Dwi Wahyu Cahya Nugraha, Endri Rizki Nugroho, Bayu Seno Nungki Selviandro Nur Ghaniaviyanto Ramadhan Nyoman Rizkha Emillia Pratama, Rio Ferdinand Putra Prati Hutari Gani Prati Hutari Gani Prisla Novia Anggreyani Pursita Kania Praisar Purwanto, Zadosaadi Brahmantio Putri Ester Sumolang Putri Samapa Hutapea Rachdian Habi Yahya Raihan Nugraha Setiawan Rashad Bima Rasyad, Gerald Shabran Ria Aniansari Rianda Khusuma Rifki Wijaya Rizky Adityana Ryan Armiditya Pratama Salsabila Anza Salasa Salvin Nafisah Husnatuzzahwa Sendika Panji Anom Serventine Andhara Evhen Setiawan, Abiyyu Daffa Haidar Suyanto Suyanto Tia Daniati Tiara Nabila Tri Ayu Syifa'ur Rohmah Trysha Cintantya Dewi Tsaqif, Muhammad Abiyyu Veronikha Effendy Wijaya, Yaffazka Afazillah Yantrisnandra Akbar Maulino Yanuar Ega Ariska Yanuar Firdaus AW Yusry Anandita Yusup, Axel Haikal Zhafirah Salsabila