KLASIFIKASI KOMENTAR PUBLIK TERHADAP KEBIJAKAN PEMERINTAH PADA FACEBOOK FRONTPAGE KOMPAS MENGUNAKAN CLUSTRING K-MEANS, FURTHEST FIRST

I Wayan Dikse Pancane; I Wayan Suriana

doi:10.36595/misi.v3i2.185

I Wayan Dikse Pancane Universitas Pendidikan Nasional
I Wayan Suriana Universitas Pendidikan Nasional

DOI: https://doi.org/10.36595/misi.v3i2.185

Abstract

ABSTRAK

Media televisi dan radio walaupun mampu menyajikan informasi terupdate masih menjadi media informasi yang mahal. Ketersediaan perangkat untuk melakukan pemancaran siaran serta daya jangkau pemancara masih menjadi kendala. Dengan mahalnya dana yang dibutuhkan, maka stasiun TV masih berpikir ulang untuk melakukan siaran langsung. Media Internet adalah satu-satunya yang paling tepat untuk mengatasi berbagai kesulitan tersebut, Internet mampu membawa informasi langsung ke orang yang membutuhkan dengan cepat dan memungkinkan real time. Apalagi saat ini semua provider seluler telah membuka layanan internet dengan murah dan cepat. Dengan latar belakang inilah penulis tertarik untuk mengeksplorasi secara lebih detail dari semua komentar pembaca yang ada pada portal berita Kompas yang berhubungan dengan pemerintahan dan situasi politik di Indonesia. Komentar akan dikoleksi menjadi sebuah data untuk dianalisa dan didapatkan cluster-cluster komentar dari masyarakat tersebut dengan harapan dapat membantu pemerintah didalam mengetahui secara cepat tingkat keberpihakan masyarakat terhadap program-program pemerintah atau kasus-kasus tertentu yang sedang terjadi.

References

Adiwijaya, Igg. (2006). Texi Mining dan Knowledge Discovery.Komunitas Data mining Indonesia & Soft-omputing Indonesia.
Chen Jinxiu, Ji,Tan, Unsupervised Feature Selection for Relation Extraction, National University of Singapore,2005
Dash Manorjan , Liu. Dimensionality Reduction.National University of Singapore. 1997
Dash Manorjan, Liu, Feature Selection for Clustering, PAKDD, 2000.
Devaney, M. & A. Ram. Efficient feature selection in conceptual clustering. In proceedings of the Fourteenth International Conference on Machine Learning, pages 92–97, 1997.
Franke J, Gholamreza Nakhaeizadeh, and Ingrid Renz. Text mining: Theoretical Aspects and Applications
Lerman, Kristina. (1999). Document Clustering in Reduced Dimension Vector Space.
Liu Huan & Lei Yu.(2005). Toward Integrating Feature Selection Algorithms for Classification and Clustering.
Liu, Liu, Chen, Ma, An Evaluation of feature selection for clustering, ICML Conference, 2003
Mark A. Hall and Llioyd A. Smith. Feature Subset Selection : A Correlation Based Filter Approach. University of Wakaito.
Salton, G. (1989). Automatic Text Processing: The Transformation, Analysis, and Retrieval of Information by Computer. Addison-wesley, Reading, Pennsylvania.
Tan, Pang-ning, Michael Steinbach, dan Vipin Kumar. 2006. Introduction to Data mining. Pearson education, Inc.
Tien Dung Do, Hui, Fong, Associative Feature Selection for Text mining, Nanyang Technological University,2006
Tokunaga, Takenobu. Iwayama, Makoto. (1994). Text Categorization based on Weighted Inverse Document Frequency.
Wibisono, Yudi.,& Khodra, M. L. (2006). Clustering Berita Berbahasa Indonesia
Wiratunga Nirmalie, Lothian, Massie, Unsupervised Feature Selection for Text data , Proceedings of the 8th European Conference on Case-Based Reasoning,2006
Yang, Y., & Pedersen, J. O. (1997).A comparative study on feature selection in text categorization. Proc. of ICML- 97 (pp. 412-420).
Zexuan Zhu, Yew-Soon Ong, and Manoranjan Dash. Wrapper-Filter Feature Selection Algorithm Using A memetic Framework. Nanyang Technological University, Singapore
L. Mutawalli, M. T. A. Zaen, and W. Bagye, “KLASIFIKASI TEKS SOSIAL MEDIA TWITTER MENGGUNAKAN SUPPORT VECTOR MACHINE (Studi Kasus Penusukan Wiranto),” J. Inform. dan Rekayasa Elektron., vol. 2, no. 2, p. 43, 2019, doi: 10.36595/jire.v2i2.117.