Mahendra, Luthfi (2019) Klasifikasi Hoaks Berbahasa Inggris menggunakan Boosting Weighted Extreme Learning Machine. Sarjana thesis, Universitas Brawijaya.
Abstract
Perkembangan teknologi yang pesat menyebabkan hoaks semakin mudah disebarkan melalui internet terutama untuk berita-berita yang bertema politik. Meskipun terlihat sepele, jika dibiarkan hoaks dapat menyebabkan berbagai macam masalah seperti kerusuhan masyarakat dan pemblokiran situs sosial media. Untuk menanggulangi masalah-masalah yang dapat disebabkan oleh hoaks, penelitian ini mencoba untuk membuat sistem klasifikasi hoaks otomatis berita berbahasa Inggris menggunakan algoritme Boosting Weighted ELM. Algoritme tersebut dipilih karena memiliki hasil akurasi yang tinggi untuk berbagai macam permasalahan klasifikasi dokumen serta memiliki hasil yang baik jika data yang digunakan memiliki jumlah kelas tidak seimbang, sehingga cocok digunakan untuk klasifikasi hoaks yang jumlahnya lebih sedikit dibandingkan berita faktual. Metodologi penelitian dibagi menjadi beberapa tahap yang terdiri dari proses preprocessing, term weighting, normalisasi, pelatihan dan evaluasi algoritme. Data yang digunakan sebesar 180 artikel yang terdiri dari 90 berita hoaks dan berita faktual. Evaluasi dilakukan dengan mengukur nilai F1 (hasil rata-rata harmonis precision dan recall) menggunakan K-Fold cross validation, hasil tertinggi yang didapatkan sebesar 0,787.
English Abstract
Rapid technological developments have caused hoaks to be more easily disseminated through the internet, especially for politic related news. Although it looks trivial, hoax can cause various kinds of problems such as community riots and the blocking of social media sites. To overcome the problems that can be caused by hoaxes, this study attempts to create an automatic English language hoax classification system using the Weighted Boosting ELM algorithm. The algorithm was chosen because it has high accuracy results for various types of document classification problems and has good results even if the data used has an unbalanced number of classes, making it suitable for hoax classifications which are fewer than factual news. The research methodology is divided into several stages consisting of pre-processing, term weighting, normalization, training and algorithm evaluation. The data used are 180 articles consisting of 90 hoax and 90 factual news. Evaluation was carried out by measuring F1 values (results of average harmonic precision and recall) using K-Fold cross validation, the highest results obtained were 0,787.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/334/051905652 |
| Uncontrolled Keywords: | news, hoax, text mining, document classification, ELM, boosting weighted extreme learning machine |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 30 Jul 2020 06:20 |
| Last Modified: | 30 Jul 2020 06:20 |
| URI: | http://repository.ub.ac.id/id/eprint/171497 |
Actions (login required)
 |
View Item |