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

Article Sidebar

View PDF
Published Nov 29, 2019
DOI https://doi.org/10.20895/inista.v2i1.96

Main Article Content

Eko Sanjaya
IT Telkom Purwokerto
Agi Prasetiadi
IT Telkom Purwokerto
WAHYU ANDI SAPUTRA
IT Telkom Purwokerto

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
Issue
Vol 2 No 1 (2019): November 2019
Section
Articles

Copyright Notice

 

Authors who publish with Journal of Informatics, Information System, Software Engineering and Applications (INISTA) agree to the following terms:

  • Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  • Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  • Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.

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.