Klasifikasi Topik Pada Tweet Berbahasa Indonesia Menggunakan Ekspansi Fitur Fast-text Dengan Metode Support Vector Machine (svm)
DOI:
https://doi.org/10.34818/eoe.v9i3.18003Abstrak
Abstrak Twitter merupakan platform sosial media populer yang memberi pengguna kemampuan untuk mengirim pesan teks dengan panjang maksimum 280 karakter yang menyebabkan banyak penggunaan variasi kata yang menyebabkan kesalahan penulisan kosakata dan saat ini semakin banyak tweet yang tersebar dan karena penyebaran yang sangat pesat menyebabkan kelebihan informasi. Dari permasalahan yang diangkat diperlukan kemampuan untuk mengenali kata yang memiliki kesalahan dalam penulisan dan mengkategorikan tweet kedalam kategori tertentu. Oleh karena itu, penelitian ini bertujuan untuk membangun sistem klasifikasi topik pada tweet yang dapat mempelajari kesalahan penulisan pada suatu kata dan Ekspansi fitur menggunakan vektor kata pretrained dari FastText dapat digunakan untuk mengenali kesalahan penulisan pada suatu kata karena proses pembangunan vektor kata dari FastText yang dapat mempelajari struktur internal dari sebuah kata yang akan dimanfaatkan pada model klasifikasi Support Vector Machine. Hasil terbaik dari penelitian ini mendapatkan akurasi sebesar 76.88% dengan penerapan ekspansi fitur pada top-1 namun penerapan ekspansi fitur menggunakan vektor kata pretrained Bahasa Indonesia pada top-2 sampai top-10 menurunkan kinerja klasifikasi Support Vector Machine. Kata kunci : klasifikasi topik, ekspansi fitur, FastText, Support Vector MachineReferensi
[1] S. Phuvipadawat and T. Murata, “Breaking
news detection and tracking in Twitter,”
Proc. - 2010 IEEE/WIC/ACM Int. Conf. Web
Intell. Intell. Agent Technol. - Work. WI-IAT
2010, pp. 120–123, 2010, doi: 10.1109/WIIAT.2010.205.
[2] K. Lee, D. Palsetia, R. Narayanan, M. M. A.
Patwary, A. Agrawal, and A. Choudhary,
“Twitter trending topic classification,” Proc.
- IEEE Int. Conf. Data Mining, ICDM, pp.
251–258, 2011, doi:
10.1109/ICDMW.2011.171.
[3] E. B. Setiawan, D. H. Widyantoro, and K.
Surendro, “Feature expansion using word
embedding for tweet topic classification,”
Proceeding 2016 10th Int. Conf.
Telecommun. Syst. Serv. Appl. TSSA 2016
Spec. Issue Radar Technol., no. 2011, 2017,
doi: 10.1109/TSSA.2016.7871085.
[4] J. C. Young and A. Rusli, “Review and
Visualization of Facebook’s FastText
Pretrained Word Vector Model,” 2019 Int.
Conf. Eng. Sci. Ind. Appl. ICESI 2019, pp.
1–6, 2019, doi:
10.1109/ICESI.2019.8863015.
[5] P. Bojanowski, E. Grave, A. Joulin, and T.
Mikolov, “Enriching Word Vectors with
Subword Information,” Trans. Assoc.
Comput. Linguist., vol. 5, pp. 135–146,
2017, doi: 10.1162/tacl_a_00051.
[6] L. J. Chen and G. K. Hoon, “Feature
expansion using lexical ontology for opinion
type detection in tourism reviews domain,”
Int. J. Adv. Comput. Sci. Appl., vol. 11, no.
8, pp. 628–637, 2020, doi:
10.14569/IJACSA.2020.0110877.
[7] E. Grave, P. Bojanowski, P. Gupta, A.
Joulin, and T. Mikolov, “Learning word
vectors for 157 languages,” Lr. 2018 - 11th
Int. Conf. Lang. Resour. Eval., pp. 3483–
3487, 2019.
[8] M. S. Saputri, R. Mahendra, and M. Adriani,
“Emotion Classification on Indonesian
Twitter Dataset,” Proc. 2018 Int. Conf.
Asian Lang. Process. IALP 2018, no.
November, pp. 90–95, 2019, doi:
10.1109/IALP.2018.8629262.
[9] N. Yusliani, R. Primartha, and M. Diana,
“Multiprocessing Stemming: A Case Study
of Indonesian Stemming,” Int. J. Comput.
Appl., vol. 182, no. 40, pp. 15–19, 2019, doi:
10.5120/ijca2019918476.
[10] B. Y. Pratama and R. Sarno, “Personality
classification based on Twitter text using
Naive Bayes, KNN and SVM,” Proc. 2015
Int. Conf. Data Softw. Eng. ICODSE 2015,
no. November, pp. 170–174, 2016, doi:
10.1109/ICODSE.2015.7436992.
[11] T. Mikolov, I. Sutskever, K. Chen, G.
Corrado, and J. Dean, “Distributed
representations ofwords and phrases and
their compositionality,” Adv. Neural Inf.
Process. Syst., no. October 2013, 2013.
[12] A. Basarkar, “Document Classification
Using Machine Learning,” vol. IX, no. Vi,
pp. 60–67, 1998.
[13] M. . Imelda A.Muis & Muhammad
Affandes, “Penerapan Metode Support
Vector Machine ( SVM ) Menggunakan
Kernel Radial Basis Function ( RBF ) Pada
Klasifikasi Tweet,” Sains, Teknol. dan Ind.
Sultan Syarif Kasim Riau, vol. 12, no. 2, pp.
189–197, 2015.
[14] M. H. Afif and A. R. Hedar, “Data
classification using support vector machine
integrated with scatter search method,”
Proc. 2012 Japan-Egypt Conf. Electron.
Commun. Comput. JEC-ECC 2012, pp. 168–
172, 2012, doi: 10.1109/JECECC.2012.6186977.
[15] F. Pedegrosa et al., “Scikit-learn: Machine
Learning in Python,” Mach. Learn. Res., vol.
12, no. 1, pp. 2825–2830, 2018.
