Prediksi Retweet Berdasarkan Fitur Pengguna, Konten, dan Waktu Menggunakan Metode Klasifikasi ANN-Cat Swarm Optimization
Abstract
Abstrak - Twitter merupakan salah satu sarana
microblogging populer saat ini yang memungkinkan
penggunanya untuk mengirim pesan berupa teks, gambar,
atau video, serta berbagi informasi dengan cepat. Salah satu
fitur utama di Twitter adalah retweet, dengan fitur ini
pengguna dapat memposting ulang pesan yang diunggah
oleh orang lain. Penelitian ini bertujuan untuk membangun
model prediksi retweet dengan metode klasifikasi ANN yang
dioptimasi oleh algoritma CSO menggunakan fitur berbasis
pengguna, konten, dan waktu. Masalah yang dihadapi
dalam penelitian ini yaitu ketidakseimbangan kelas yang
sering terjadi pada data retweet. Untuk mengatasi masalah
tersebut, digunakan teknik oversampling dan
undersampling. Hasil evaluasi pada penelitian ini
menunjukkan bahwa proses klasifikasi ANN dengan CSO
dapat mencapai nilai akurasi sebesar 86.70% dan F1-Score
sebesar 86.61% dengan melakukan teknik undersampling.
Kata kunci : retweet, prediksi, ANN, CSO, undersampling
References
S. N. Firdaus, C. Ding, and A. Sadeghian,
mechanism - A survey paper,= Online Soc. Networks Media, vol. 6, pp. 26-40, 2018, doi:
1016/j.osnem.2018.04.001.
S. N. Firdaus, C. Ding, and A. Sadeghian,
Mining, ASONAM 2016, pp. 852-859, 2016, doi:10.1109/ASONAM.2016.7752337.
T. B. N. Hoang and J. Mothe,
information diffusion on Twitter - Analysis of
predictive features,= J. Comput. Sci., vol. 28, pp. 257-264, 2018, doi: 10.1016/j.jocs.2017.10.010.
Rakes, Jondri, and K. M. Lhaksamana,
menggunakan metode klasifikasi Support Vector Machine,= vol. 8, no. 5, pp. 11183-11191, 2021.
H. Amarullah Purwaatmaja Ash-Shidiq EFSA and K. Muslim Lhaksmana,
Menggunakan Fitur Berbasis Pengguna dan Fitur
Berbasis Konten dengan Metode Klasifikasi ANN,= vol. 8, no. 5, pp. 11207-11215, 2021.
S. C. Chu and P. W. Tsai,
Innov. Comput. Inf. Control, vol. 3, no. 1, pp. 163-173, 2007.
S. Chu, P. Tsai, and J. Pan,
Trends in Artificial Intelligence,= PRICAI 2006
Trends Artif. Intell., no. March 2014, 2006, doi:
1007/11801603.
J. C. Hwang, J. C. Chen, J. S. Pan, and Y. C.
Huang,
capacity for high tension customers,= Proc. Int.
Conf. Power Electron. Drive Syst., no. 245, pp.
-251, 2009, doi:
1109/PEDS.2009.5385703.
S. N. Firdaus, C. Ding, and A. Sadeghian,
Personality,= Online Soc. Networks Media, vol.
, no. August, p. 100165, 2021, doi:
1016/j.osnem.2021.100165.
Ghina Khoerunnisa, Jondri, and Widi Astuti,
, pp. 442-447, 2022, doi: 10.29207/resti.v6i3.4125.
O. I. Abiodun, A. Jantan, A. E. Omolara, K. V.
Dada, N. A. E. Mohamed, and H. Arshad,
applications: A survey,= Heliyon, vol. 4, no. 11,
p. e00938, 2018, doi:
1016/j.heliyon.2018.e00938.
E. Sutoyo and M. A. Fadlurrahman,
SMOTE untuk Mengatasi Imbalance Class dalam
Klasifikasi Television Advertisement
Performance Rating Menggunakan Artificial
Neural Network,= J. Edukasi dan Penelit.
Inform., vol. 6, no. 3, p. 379, 2020, doi:
26418/jp.v6i3.42896.
I. P. Dewi, J. Jondri, and K. M. Lhaksmana,
Bernoulli Dan Gaussian Naive Bayes Di Media
Sosial Twitter Dengan Topik Vaksinasi Covid19,= eProceedings Eng., vol. 8, no. 5, pp. 11216-
, 2021, [Online]. Available:
/openlibrarypublications.telkomuniversity.
ac.id/index.php/engineering/article/view/15627/15340%0//openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/15627
N. V. Chawla, W. K. Bowyer, L. O. Hall, and P.
W. Kegelmeyer,
Over-sampling Technique,= J. Artif. Intell. Res.,
vol. 16, pp. 321-357, 2002.
P. Lu and B. Li,
https://learn.microsoft.com/enus/azure/machine-learning/componentreference/smote (accessed Jul. 24, 2023).
J. Brownlee,
Imbalanced Classification,= machinelearningmastery.com, 2021./machinelearningmastery.com/undersampling-algorithms-for-imbalanced-classification/(accessed Jul. 24, 2023).
