Implementasi Metode TF-IDF dan Support Vector Machine pada Aplikasi Pendeteksi Komentar Bersifat Bullying

⭐ Darson, Eric (2019) Implementasi Metode TF-IDF dan Support Vector Machine pada Aplikasi Pendeteksi Komentar Bersifat Bullying. Bachelor Thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text DAFTAR_PUSTAKA.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (896kB)
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (897kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
	Text BAB_III.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (2MB)
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text BAB_V.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (994kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)

Abstract

Cyber bullying adalah salah satu permasalahan yang muncul dengan semakin populernya media sosial dan pengadopsiannya yang cepat dalam kehidupan sehari-hari. Deteksi cyber bullying dalam penggunaan platform online menjadi sangat penting dikarenakan terlalu banyak informasi yang tidak mungkin untuk dilacak oleh manusia. Salah satu metode machine learning untuk mengatasi masalah ini adalah Support Vector Machine (SVM). Support Vector Machine menerima input berupa vektor. Metode yang cukup sering digunakan untuk mengubah kalimat menjadi bentuk vektornya adalah metode TF-IDF. Pada penelitian ini, 841 komentar akan menjadi data latih dan 211 komentar akan menjadi data uji coba. Dengan menggunakan metode Support Vector Machine dan TF-IDF pada penelitian ini, didapatkan persentase akurasi, presisi, recall, dan f- measure pada angka 76.77%, 78.88%, 74.60%, dan 76.68%.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Darson, Eric (00000010821)
Contributors:	Gunawan, Dennis
Keywords:	Support Vector Machine, Term Frequency Inverse Document Frequency, Machine Learning, Akurasi, Presisi, Recall, F-Measure
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.5 Application / Software
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	04 Dec 2019 07:30
URI:	https://kc.umn.ac.id/id/eprint/10405

Actions (login required)

View Item