UKRIMUKRIM

Infact: International Journal of ComputersInfact: International Journal of Computers

Penelitian ini bertujuan mengembangkan pendekatan otomatis untuk mengklasifikasikan pesan urgent dalam percakapan grup WhatsApp menggunakan algoritma Support Vector Machine (SVM) dalam bidang Pemrosesan Bahasa Alami (NLP). Data dari grup WhatsApp K-BIMI UKRIM dikumpulkan melalui proses crawling dan melalui tahapan preprocessing, seperti cleaning, case folding, normalization, tokenization, stopwords removal, dan stemming. Dataset dilabeli secara manual untuk menentukan pesan urgent dan not urgent untuk pelatihan dan pengujian model. Model klasifikasi SVM menunjukkan hasil yang efektif dengan nilai precision 0,99, recall 0,94, dan f-1 score 0,96 untuk sentimen urgent, serta precision 0,99, recall 1,00, dan f-1 score 0,99 untuk sentimen not urgent. Temuan ini menunjukkan bahwa SVM efektif dalam memprioritaskan pesan mendesak di grup komunitas WhatsApp.

Berdasarkan hasil dan pembahasan di atas, maka dapat disimpulkan bahwa pelabelan data pada penelitian ini menghasilkan sebanyak 1981 data (82%) bernilai not urgent, dan 439 data (18%) bernilai urgent.Hasil ini menunjukkan bahwa data dengan nilai sentimen “urgent berbanding jauh dengan hasil data dengan nilai sentimen “not urgent.Sehingga, data hanya sedikit memuat kata kata yang bermaksud urgent, bersifat “urgent, atau bersifat mendesak.Selain itu, hasil pengujian terhadap model menunjukkan bahwa kelas urgent pada parameter pengujian precision memiliki nilai yang 1,00 dibandingkan dengan kelas not urgent yang memiliki nilai 0,99.Selanjutnya, pada parameter pengujian recall, kelas not urgent memperoleh nilai 1,00 dan lebih besar dibandingkan dengan kelas urgent yang memiliki nilai, yakni 0,94.Sementara itu, pada parameter pengujian f-1 score, kelas not urgent memiliki nilai yang lebih tinggi yakni 0,99 dibandingkan dengan kelas urgent 0,97.Secara keseluruhan, model dapat mengklasifikasikan kata not urgent dengan konsisten dibandingkan dengan urgent.

Untuk penelitian lanjutan, dapat dipertimbangkan pengembangan model yang lebih kompleks dengan menggabungkan algoritma SVM dengan teknik-teknik NLP lainnya, seperti analisis sentimen dan pengenalan entitas bernama. Selain itu, penelitian dapat fokus pada peningkatan akurasi model dalam mengidentifikasi pesan-pesan urgent dengan menggunakan teknik-teknik preprocessing yang lebih canggih dan teknik-teknik pengolahan bahasa alami yang lebih mutakhir. Terakhir, penelitian dapat mengeksplorasi penggunaan model ini dalam aplikasi-aplikasi percakapan grup yang lebih luas, seperti Telegram atau Slack, untuk meningkatkan efektivitas komunikasi dan responsivitas dalam menangani situasi darurat.

  1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. perbandingan support vector machine modified... doi.org/10.29207/resti.v5i2.3008Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i perbandingan support vector machine modified doi 10 29207 resti v5i2 3008
  2. | Saputra | Faktor Exacta. saputra faktor exacta perbandingan kinerja algoritma nearest neighbor nae... journal.lppmunindra.ac.id/index.php/Faktor_Exacta/article/view/4181Saputra Faktor Exacta saputra faktor exacta perbandingan kinerja algoritma nearest neighbor nae journal lppmunindra ac index php Faktor Exacta article view 4181
  3. PENERAPAN ALGORITMA NAIVE BAYES UNTUK ANALISIS SENTIMEN REVIEW DATA TWITTER BMKG NASIONAL | Darwis |... doi.org/10.33365/jtk.v15i1.744PENERAPAN ALGORITMA NAIVE BAYES UNTUK ANALISIS SENTIMEN REVIEW DATA TWITTER BMKG NASIONAL Darwis doi 10 33365 jtk v15i1 744
  4. Klasifikasi Penggunaan Kata Urgent Pada Percakapan Whatsapp Menggunakan Algoritma Support Vector Machine... doi.org/10.61179/jurnalinfact.v8i02.579Klasifikasi Penggunaan Kata Urgent Pada Percakapan Whatsapp Menggunakan Algoritma Support Vector Machine doi 10 61179 jurnalinfact v8i02 579
Read online
File size589.62 KB
Pages6
DMCAReport

Related /

ads-block-test