TOPIC DETECTION UNTUK FASHION ITEM PADA TWITTER MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION
Bagi orang-orang yang bergerak di bidang fashion mengetahui tren fashion adalah hal yang penting. Salah satu cara untuk mengetahui tren adalah dengan mendeteksi topik mengenai fashion yang dibicarakan di media sosial. Penelitian ini mengimplementasikan algoritma Latent Dirichlet Allocation untuk men...
Saved in:
Main Author: | |
---|---|
Format: | Book |
Published: |
2017-10-27.
|
Subjects: | |
Online Access: | Link Metadata |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | Bagi orang-orang yang bergerak di bidang fashion mengetahui tren fashion adalah hal yang penting. Salah satu cara untuk mengetahui tren adalah dengan mendeteksi topik mengenai fashion yang dibicarakan di media sosial. Penelitian ini mengimplementasikan algoritma Latent Dirichlet Allocation untuk mendeteksi topik fashion di Twitter. Dengan mengolah data tweet yang telah diklasifikasi dan dibersihkan, setiap kata akan dialokasikan kedalam sejumlah topik yang telah ditentukan sebelumnya dan dikalkulasi ulang berdasarkan probabilitas kemunculan kata tersebut dalam suatu dokumen dan dalam suatu topik. Dari hasil eksperimen yang dilakukan, didapat bahwa konfigurasi paramater 20 topik dengan 1000 iterasi memperoleh skor UMass terbaik dengan nilai -56.342, dan konfigurasi parameter 50 topik dengan 1000 iterasi memperoleh skor PMI terbaik dengan nilai 6.272. ---------- For people who work in fashion industry, knowing fashion trend are important. One way to find out the trend in fashion is to detect topics about fashion in the social media. This experiment is implementing Latent Dirichlet Allocation algorithm to detect fashion topics on Twitter. By processing the data of tweets that have been classified and cleaned, every word will be allocated to a number of topics that are predefined and recalculated based on the probability of the occurrence in a document and in a topic. From the experimental results, it was found that the configuration of 20 topic with 1000 iterations obtained the best UMass score with -56.342 points, and the configuration of 50 topic with 1000 iterations obtained the best PMI score with 6.272 points. |
---|---|
Item Description: | http://repository.upi.edu/31676/1/S_JRM_1301420_title.pdf http://repository.upi.edu/31676/2/S_JRM_1301420_Table_of_content.pdf http://repository.upi.edu/31676/3/S_JRM_1301420_ABstract.pdf http://repository.upi.edu/31676/4/S_JRM_1301420_chapter%201.pdf http://repository.upi.edu/31676/5/S_JRM_1301420_chapter%202.pdf http://repository.upi.edu/31676/6/S_JRM_1301420_chapter%203.pdf http://repository.upi.edu/31676/7/S_JRM_1301420_chapter%204.pdf http://repository.upi.edu/31676/8/S_JRM_1301420_chapter%205.docx.pdf http://repository.upi.edu/31676/9/S_JRM_1301420_bibliography.docx.pdf http://repository.upi.edu/31676/10/S_JRM_1301420_Appendix.pdf |