Studi Algoritma Linear Support Vector Machine pada Deteksi Ujaran Kebencian Berbahasa Indonesia

Ekspresi ujaran kebencian merupakan suata fenomena yang berkembangan di dunia masyarakat era modern ini, banyak dari pengguna media sosial memanfaatkannya untuk mengekspresikan perasaan mereka maupun kehidupannya. Namun dari fenomena ini semua berdampak kepada lingkungan masyarakat yang terkesan sangat bebas mengekspresikan ujaran kebencian dan berujung kepada tindakan kejahatan, entah darimana asal-usul penyebab terjadinya, bisa jadi karena pengaruh provokasi atau hal-hal lainnya yang persuasif. Maka dari itu tujuan penelitian melakukan studi terhadap algoritma Linear Support Vector Machine dalam melakukan deteksi ujaran kebencian berbahasa Indonesia. Metode yang digunakan adalah algoritma Linear Support Vector Machine dengan feature Word N Gram. Dari hasil percobaan, diperoleh hasil evaluasi akurasi sebesar 86.55 % dengan metode 10-fold cross validation

Mining Feature-Opinion from Reviews Based on Dependency Parsing

The manual reading of all the product reviews to find a satisfying item is not only labor-intensive, but also tedious for the consumers. In this paper, we propose a feature-opinion mining approach to automatically summarize the reviews, which is based on dependency parsing. Specifically, in our approach we first utilize a regression model to generate sentiment word, including phrase and its sentiment weight, and then we extract the feature based on the dependency relationship between feature word and sentiment word, finally we assign a score to the feature according to the dependency relationship. The experimental results demonstrate that our approach can effectively mine the feature-opinion from reviews.