Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Register: Jurnal Ilmiah Teknologi Sistem Informasi ILKOMNIKA: Journal of Computer Science and Applied Informatics
Muhammad Mirza Muttaqi
Institut Teknologi Sepuluh Nopember
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penentuan Topik dengan Opinion Mining berbasis Two-Pass Classifier dan Bayesian dalam Peringkasan Teks Twitter Muhammad Mirza Muttaqi; Diana Purwitasari; Rizka Wakhidatus Sholikah
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 4 No 3 (2022): Volume 4, Nomor 3, Desember 2022
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v4i3.499

Abstract

Kolom komentar berkepanjangan pada teks Twitter mempersulit masyarakat yang ingin mengetahui informasi terkini seperti topik tren Covid-19. Peringkasan teks dengan mempertahankan konten melalui pengelompokkan kata untuk deteksi kemiripan hubungan dalam konteks kalimat dapat menghasilkan ringkasan lebih terfokus. Akan tetapi pada klastering teks Twitter sering ditemukan kalimat atau satu tweet yang seharusnya berbeda klaster. Oleh karena itu, perlu dilakukan pemodelan topik dan penentuan topik untuk mempermudah pengguna mencari suatu informasi tertentu. Pada penelitian ini difokuskan pada topik Covid-19. Pemodelan topik digunakan untuk mengatur, mencari, memahami, dan meringkas sebuah teks. Opinion Mining digunakan untuk mengekstrak atau mengklasifikasikan polaritas sentimen. Polaritas sentimen ini berupa “positif” atau “negatif” pada suatu entitas atau aspek. Proses klasifikasi menggunakan metode two pass clasiffier untuk sentimen positif dan negatif, serta Bayesian sebagai metode pelabel entitas – entitas. Setelah itu, label-label tersebut dikelompokkan sehingga terbentuk topik-topik dan beberapa tweet yang mempunyai kemiripan entitas topik dikelompokan ke dalam topik. Dari hasil evaluasi mengunkan TextRank, Okapi BM25 dan PageRank, proses opinion mining menghasilkan nilai yang lebih tinggi dibandingkan dengan Latent Semantic Indexing (LSI), dengan selisih rata-rata 0,53
Deteksi Bot Spammer Twitter Berbasis Time Interval Entropy dan Global Vectors for Word Representations Tweet’s Hashtag Arif Mudi Priyatno; Muhammad Mirza Muttaqi; Fahmi Syuhada; Agus Zainal Arifin
Register: Jurnal Ilmiah Teknologi Sistem Informasi Vol. 5 No. 1 (2019): January
Publisher : Information Systems - Universitas Pesantren Tinggi Darul Ulum

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/register.v5i1.1382

Abstract

Bot spammer merupakan penyalahgunaan user dalam menggunakan Twitter untuk menyebarkan pesan spam sesuai dengan keinginan user. Tujuan spam mencapai trending topik yang ingin dibuatnya. Penelitian ini mengusulkan deteksi bot spammer pada Twitter berbasis Time Interval Entropy dan global vectors for word representations (Glove). Time Interval Entropy digunakan untuk mengklasifikasi akun bot berdasarkan deret waktu pembuatan tweet. Glove digunakan untuk melihat co-occurrence kata tweet yang disertai Hashtag untuk proses klasifikasi menggunakan Convolutional Neural Network (CNN). Penelitian ini menggunakan data API Twitter dari 18 akun bot dan 14 akun legitimasi dengan 1.000 tweet per akunnya. Hasil terbaik recall, precision, dan f-measure yang didapatkan yaitu 100%; 100%, dan 100%. Hal ini membuktikan bahwa Glove dan Time Interval Entropy sukses mendeteksi bot spammer dengan sangat baik. Hashtag memiliki pengaruh untuk meningkatkan deteksi bot spammer.  Spam spammers are users' misuse of using Twitter to spread spam messages in accordance with user wishes. The purpose of spam is to reach the required trending topic. This study proposes detection of bot spammers on Twitter based on Time Interval Entropy and global vectors for word representations (Glove). Time Interval Entropy is used to classify bot accounts based on the tweet's time series, while glove views the co-occurrence of tweet words with Hashtags for classification processes using the Convolutional Neural Network (CNN). This study uses Twitter API data from 18 bot accounts and 14 legitimacy accounts with 1000 tweets per account. The best results of recall, precision, and f-measure were 100%respectively. This proves that Glove and Time Interval Entropy successfully detects spams, with Hash tags able to increase the detection of bot spammers.
Co-Authors Agus Zainal Arifin Arif Mudi Priyatno Diana Purwitasari Fahmi Syuhada Rizka Wakhidatus Sholikah