Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JURNAL TIARSIE
Lutfi Ghazali, Lutfi
Departemen Ilmu Kesehatan Masyarakat Fakultas Kedokteran Universitas Islam Indonesia
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JURNAL TIARSIE

 1 
OPINION MINING DI SOCIAL MEDIA TERHADAP ISUE PENAMBAHAN MASA JABATAN KEPALA DESA DI INDONESIA DENGAN SUPPORT VECTOR MACHINE(SVM) DAN RANDOM FOREST(RF) ghazali, lutfi
Jurnal Tiarsie Vol 20 No 6 (2023): Jurnal TIARSIE 20.6
Publisher : Fakultas Teknik Universitas Langlangbuana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32816/tiarsie.v20i6.192

Abstract

Abstrak Tujuan dari penelitian ini, untuk mengetahui bagaimana kinerja metode support vector machine dan random forest dalam opini masyarakat terhadap isu penambahan masa jabatan kepala desa di indonesia demgan pengambilan data dari twiter dengan menggunakan netliytic. Sebelum Melakukan klasifikasi dilakukan pre-processing terlebih dahulu, hal ini memungkinkan proses mining akan berjalan dengan lebih efektif dan efisien. Dalam tahap ini, dilakukan pengumpulan data, pembersihan data, case folding, tokenizing, stopwords removal, dan stemming. Terjadinya pengurangan dan penambahan dalam masa jabatan kepala desa tentu memiliki alasan tersendiri, seperti dalam UU No. 5 Th 1979 dan UU No. 22 Th 1999 dimana diantara keduanya terjadi pengurangan dari yang sebelumnya 8 Tahun kemudian menjadi 5 Tahun,berdasarkan penelitian yang di lakukan yaitu untuk mengetahui bagaimana kinerja metode support vector machine dan random forest dalam opini masyarakat terhadap isu penambahan masa jabatan kepala desa di Indonesia untuk mengetahui komentar positif dan negatif dari masyarakat data yang di ambil dari netlytic hasil yang di dapatkan 176 tweet dari masyrakat dan meliputi pembersihan data, hasil yang di dapatkan dari metode support vector machine mendapatkan accuracy pengujian 0.67 dari metode random forest mendapatkan accuracy pengujian 0,67. Kata kunci: Support Vector Machine, Random Forest
Co-Authors