IMPLEMENTASI ALGORITMA RANDOM FOREST DENGAN EKSTRAKSI FITUR TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN LATENT DIRICHLET ALLOCATION (LDA) UNTUK DETEKSI IDEASI BUNUH DIRI PADA TWITTER

RIZKY, MUHAMMAD (2023) IMPLEMENTASI ALGORITMA RANDOM FOREST DENGAN EKSTRAKSI FITUR TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN LATENT DIRICHLET ALLOCATION (LDA) UNTUK DETEKSI IDEASI BUNUH DIRI PADA TWITTER. Other thesis, UPN Veteran Yogyakarta.

	Text 1. Skripsi Fulltext_123160056_Muhammad Rizky.pdf Restricted to Repository staff only Download (6MB)
	Text 2. Cover_123160056_Muhammad Rizky.pdf Download (144kB)
	Text 3. Abstrak_123160056_Muhammad Rizky.pdf Download (291kB)
	Text 4. Lembar Pengesahan_123160056_Muhammad Rizky-2-3.pdf Download (824kB)
	Text 5. Daftar Isi_123160056_Muhammad Rizky.pdf Download (658kB)
	Text 6. Daftar Pustaka_123160056_Muhammad Rizky.pdf Download (425kB)

Abstract

Media sosial menjadi salah satu media yang digunakan oleh pengguna dengan
ideasi bunuh diri untuk melakukan pengungkapan diri, seperti membuat pesan “aku ingin
mati”, “aku benci hidupku” atau “ingin bunuh diri”. Hal tersebut dapat diartikan sebagai
sinyal meminta pertolongan atau dukungan. Suherman (2018) menyatakan bahwa sinyal
tersebut dapat dijadikan sebagai deteksi dini dalam upaya pencegahan bunuh diri. Sampai
saat ini, beberapa penelitian telah menggunakan kecerdasan buatan untuk melakukan
deteksi ideasi bunuh diri pada media sosial. Tantangan dalam deteksi ideasi bunuh diri
adalah penggunaan ekstraksi fitur untuk meningkatkan performa model machine learning.
Penelitian ini menggunakan teks (tweet) yang dikumpulan dari Twitter dengan
menggunakan kata kunci terkait bunuh diri. Tweet akan diberi label suicide dan non-
suicide secara manual berdasarkan petunjuk dari penelitian terdahulu. Setelah itu, tweet
akan melalui proses pre-processing yaitu cleansing, case folding, tokenizin, normalisasi
kata, dan stopword removal. Hasil dari proses pre-processing kemudian akan diproses
dengan menggunakan dua ekstrkasi fitur yang berbeda yaitu Term Frequency Inverse
Document Frequency (TF-IDF) dan Latent Dirichlet Allocation (LDA). Selanjutnya, hasil
dari setiap ekstrasi fitur akan digunakan untuk melatih model Random Forest untuk
melakukan deteksi ideasi bunuh diri.
Tujuan dari penelitian ini adalah untuk mengetahui perbandingan performa dari
Random Forest saat menggunakan ekstraksi fitur fitur yang berbeda yaitu Term Frequency
Inverse Document Frequency (TF-IDF) dan Latent Dirichlet Allocation (LDA). Hasil
pengujian menunjukan bahwa performa terbaik didapat dari model Random Forest dan
ekstraksi fitur TF-IDF dengan nilai rata-rata akurasi 96.07%, presisi 94.59%, recall
96.57%, dan F1-Measure 95.57%. Selanjutnya, diikuti oleh model Random Forest dan
LDA dengan jumlah topik 30 menghasilkan nilai rata-rata akurasi 95.93%, presisi 92.88%,
recall 96.03%, dan f1- Measure 94.43%.
Berdasarkan hasil pengujian menunjukan bahwa metode ekstraksi fitur yang
diusulkan pada penelitian ini, mampu menghasilkan performa model yang sangat baik
dalam mendeteksi ideasi bunuh diri. Nilai ukur yang dihasilkan pada setiap model dapat
mancapai 84 hingga 96%. Hasil tersebut memvalidasi pernyataan terkait penggunaan
ekstraksi fitur yang tepat dapat meningkatkan performa pada model machine learning.
Kata kunci : Ideasi Bunuh Diri, Twitter, Random Forest, Metode Ekstraksi Fitur

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Ideasi Bunuh Diri, Twitter, Random Forest, Metode Ekstraksi Fitur
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	13 Apr 2023 03:47
Last Modified:	13 Apr 2023 03:47
URI:	http://eprints.upnyk.ac.id/id/eprint/34541

Actions (login required)

View Item