Claim Missing Document
Check
Articles

Found 2 Documents
Search

Klasifikasi Emosi Terhadap Konflik Israel-Palestina Menggunakan Algoritma Gated Recurrent Unit Saputra, Eko Ikhwan; Fatdha, T.Sy. Eiva; Agustin; Junadhi; M. Khairul Anam
The Indonesian Journal of Computer Science Vol. 13 No. 4 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i4.4106

Abstract

The Israel-Palestine conflict intensified following the October 7, 2023, attack by Hamas on Israel, triggering various emotional reactions on social media. Emotion classification is crucial for understanding public sentiment related to this conflict. This study utilizes 9,917 tweets from platform X (Twitter) to classify emotions such as joy, sadness, anger, fear, disgust, and surprise. The deep learning algorithm used is Gated Recurrent Unit (GRU), developed with three different training and testing data splits: 70:30, 80:20, and 90:10. For text representation, Global Vector (GloVe) word embedding is employed. Given the imbalanced dataset, this study applies the Synthetic Minority Over-sampling Technique (SMOTE) to address class imbalance. The research results indicate that the GRU model with a 90:10 data split without using SMOTE achieves the highest accuracy of 75%, followed by the models with 70:30 and 80:20 splits, which each have an accuracy of 73%.
OPTIMALISASI ALGORITMA SUPPORT VECTOR MACHINE PADA ASPECT-BASED SENTIMENT ANALYSIS MENGGUNAKAN GRIDSEARCHCV Saputra, Eko Ikhwan; Anam, M. Khairul; Yenni, Heda; Hamdani, Hamdani; Zamsuri, Ahmad
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.17800

Abstract

Support Vector Machine (SVM) merupakan salah satu algoritma Machine Learning yang umum digunakan untuk menyelesaikan permasalahan klasifikasi. SVM sangat baik digunakan untuk klasifikasi biner, tetapi masih kurang optimal dalam melakukan klasifikasi multi-class. SVM masih mendapatkan akurasi yang rendah dalam melakukan klasifikasi multi-class, rentang akurasi yang didapatkan sekitar 52% - 62%. Ketidak konsistenam SVM dalam melakukan klasifikasi multi-class perlu dilakukan perbaruan agar lebih baik lagi. Penelitian ini menggunakan dataset opini masyarakat tentang Pariwisata Yogyakarta, label dari dataset adalah representasi dari wisatawan. Jumlah data wal yang diperoleh adalah 4121 baris, memiliki 5 label dalam hal ini pelabelan Aspect-Based Sentiment Analysis. Penelitian ini memiliki tahpaan data acuisition, pre-processing data, feature extraction, feature selection, modelling dan evaluasi. Penelitian ini melakukan percobaan pada 2 kernel SVM yang berbeda, yaitu linear dan rbf. Kemudian dilakukan hyperparameter tuning menggunakan GridSearchCV untuk mendapatkan parameter terbaik dari algoritma SVM. GridSearchCV dapat meningatkan akurasi SVM dengan kernel linear dengan nilai peningkatan tertinggi nya mencapai 7%. Akurasi pada kernel Rbf lebih tinggi yaitu 67,4% setelah dilakukan hyperparameter tuning.