Klasifikasi Analisis Sentimen Pada Gambar Meme Politik Dengan Library Tesseract Dan Algoritme Support vector machine

Main Article Content

Eko Sanjaya
Agi Prasetiadi
WAHYU ANDI SAPUTRA

Abstract

Meme merupakan penyebaran informasi dalam bentuk gambar. Berdasarkan data yang diperoleh, pengembangan meme mulai meningkat menjelang pemilu 2019. Informasi yang diperoleh dari meme politik beragam. Salah satunya memberikan dukungan untuk suatu partai atau tokoh politik atau digunakan untuk mengkritik / mencaci-maki partai politik atau tokoh. Sehingga diperlukan suatu sistem yang dapat mengklasifikasikan meme berdasarkan kelas Penelitian ini bertujuan untuk menciptakan sistem yang dapat mengklasifikasikan meme politik berdasarkan kelas. Algoritma yang akan digunakan dalam mengklasifikasikan adalah Support vector macine (SVM) dengan ekstraksi fitur TF-IDF. Library yang akan digunakan dalam optical character recognition (OCR) adalah Tesseract. Berdasarkan hasil pengujian diketahui bahwa akurasi yang dihasilkan oleh SVM linier lebih baik daripada SVM non-linear. Akurasi terbaik dalam SVM linear dengan kombinasi TF-IDF adalah 75.71%.

Article Details

How to Cite
Sanjaya, E., Prasetiadi, A., & SAPUTRA, W. (2019). Klasifikasi Analisis Sentimen Pada Gambar Meme Politik Dengan Library Tesseract Dan Algoritme Support vector machine. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 2(1), 56-64. https://doi.org/10.20895/inista.v2i1.96
Section
Articles

References

[1] R. Dawkins, “The Selfish Gene,” Oxford Univ. Press, 1976.
[2] F. Haisar, “Klasifikasi Analisis Sentimen Meme Dengan Metode Optical Character Recognition ( OCR ) dan Algoritma Naive Bayes,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, 2018.
[3] S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018.
[4] F. Jallad, “Object Detection Using Image Processing,” Moscow Inst. Phys. Technol. Dep. Radio Eng. Cybern., vol. 1, no. 1, pp. 1–6, 2016.
[5] X. Zhou, C. Yao, H. Wen, Y. Wang, S. Zhou, W. He, and J. Liang, “EAST : An Efficient and Accurate Scene Text Detector,” Comput. Vis. Found., vol. 1, no. 1, pp. 1–10, 2015.
[6] V. S. CHANDEL, “Deep Learning based Text Recognition (OCR) using Tesseract and OpenCV,” 2018. [Online]. Available: https://www.learnopencv.com/deep-learning-based-text-recognition-ocr-using-tesseract-and-opencv/. [Accessed: 28-Dec-2018].
[7] H. Sujaini and R. D. Nyoto, “Analisis Perbadingan Metode spelling Corrector Peter Norvig dan Spelling Checker BK-Trees pada kata berbahasa indonesia,” J. Sist. dan Teknol. Inf., vol. 5, no. 1, pp. 1–5, 2016.
[8] L. Agusta, “Perbadingan Algoritma Stemming Poter dengan Algoritma Nazief-Adriani untuk Stemming Dokumen Teks Bahasa Indonesia,” in Konferensi Nasional Sistem dan Informatika, 2009, pp. 196–201.
[9] M. Fitri, “perancangan Sistem Temu balik informasi dengan Metode Pembobotan Kombinasi TF-IDF untuk pencarian Dokumen berbahasa indonesia,” Teknol. Inf. dan Komun., vol. 1, no. 1, pp. 1–6, 2018.
[10] R. S. Perdana and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support vector machine dan Lexicon Based Features,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1725–1732, 2017.
[11] S. R. Kurniasari, “Implementasi SVM dan Asosiasi untuk Sentiment Analysis Data Ulasan The Phoenix Hotel Yogyakarta pada Situs Tripadvisor,” 2018.
[12] S. E. Lidya, Syahfitri Kartika, Opim Salim Sitompul, “SENTIMENT ANALYSIS PADA TEKS BAHASA INDONESIA MENGGUNAKAN SUPPORT VECTOR MACHINE ( SVM ),” Teknol. Inf. dan Komun., vol. 2015, no. Sentika, pp. 1–8, 2015.
[13] M. F. Fibrianda and A. Bhawiyuga, “Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support vector machine ( SVM ),” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 3112–3123, 2018.