Prediksi Retweet Menggunakan Metode Jaringan Saraf Tiruan Dioptimasi dengan Firefly Algorithm - Dalam bentuk pengganti sidang - Artikel Jurnal

MUHAMAD RIFQI SUPRIADI

Informasi Umum

Kode

23.04.6567

Klasifikasi

004 - Data processing, Computer science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

19 kali

Informasi Lainnya

Abstraksi

<p><strong>Twitter merupakan salah satu media sosial yang memiliki banyak pengguna diberbagai kalangan. Pengguna dapat menggunakan Twitter untuk mencari informasi tentang selebritas, isu-isu politik, produk maupun berita yang sedang hangat dibicarakan. Informasi yang disebarkan pada Twitter dimuat dalam tweet. Tweet tersebut dapat dibagikan lagi oleh pengguna lain dengan fitur retweet sehingga tweet tersebut akan tersebar lebih luas. Tugas akhir ini bertujuan untuk membangun sistem prediksi retweet dan melihat bagaimana tweet akan tersebar. Metode yang digunakan pada tugas akhir ini menggunakan klasifikasi Jaringan Saraf Tiruan yang dioptimasi dengan Firefly Algoritm berdasarkan fitur user-based dan content-based. Permodelan ini menunjukan hasil terbaik setelah dilakukan imbalanced class handling menggunakan oversampling dengan teknik SMOTE, Hasil F1-Score pada penelitian ini menunjukan 88.07%.Twitter merupakan salah satu media sosial yang memiliki banyak pengguna diberbagai kalangan. Pengguna dapat menggunakan Twitter untuk mencari informasi tentang selebritas, isu-isu politik, produk maupun berita yang sedang hangat dibicarakan. Informasi yang disebarkan pada Twitter dimuat dalam tweet. Tweet tersebut dapat dibagikan lagi oleh pengguna lain dengan fitur retweet sehingga tweet tersebut akan tersebar lebih luas. Tugas akhir ini bertujuan untuk membangun sistem prediksi retweet dan melihat bagaimana tweet akan tersebar. Metode yang digunakan pada tugas akhir ini menggunakan klasifikasi Jaringan Saraf Tiruan yang dioptimasi dengan Firefly Algoritm berdasarkan fitur user-based dan content-based. Permodelan ini menunjukan hasil terbaik setelah dilakukan imbalanced class handling menggunakan oversampling dengan teknik SMOTE, Hasil F1-Score pada penelitian ini menunjukan 88.07%.</strong></p>