Yasya Indra Blog

Tulisan ini dibuat sebagai tugas dari mata kuliah Kapita Selekta

Pengguna media sosial berbagi ide, pemikiran, dan emosi mereka dengan pengguna lain. Namun, tidak jelas bagaimana pengguna online akan menanggapi penelitian baru hasil. Penelitian ini bertujuan untuk memprediksi sifat emosi yang diungkapkan oleh Twitter pengguna terhadap publikasi ilmiah. Selain itu, kami menyelidiki fitur apa dari artikel penelitian membantu dalam prediksi tersebut. Mengidentifikasi sentimen artikel penelitian di media sosial akan membantu para ilmuwan mengukur dampak sosial baru dari penelitian mereka artikel.

 Metodologi yang digunakan adalah mengkategorisasikan nilai nilai sentimen yang ada dengan skala negatif, positif dan netral

Sebelumnya metode ini pernah digunakan untuk mencari sentimen yang ada dalam jurnal jurnal saintifik, namun pada jurnal kali ini akan digunakan untuk menguji dan memeriksa sentimen yang ada dalam platform social media yaitu Twitter

Ada beberapa tools dan metode untuk mengolah data data tweet

1. NLTK2 VADER (Valence Aware Dictionary and sEntiment Reasoner) adalah alat analisis sentimen leksikal dan berbasis aturan di Perangkat Bahasa Alami perpustakaan (NLTK). Komponen VADER, penganalisis intensitas sentimen menghasilkan skor polaritas majemuk untuk teks. Skor ini adalah nilai berkelanjutan dalam kisaran -1 (negatif) hingga +1 (positif). Kami menggunakan versi 3.6.2 dari perpustakaan NLTK.

2. TextBlob3 adalah perpustakaan yang digunakan untuk berbagai tujuan, seperti penandaan bagian-of speech, ekstraksi frase kata benda, dan analisis sentimen.

3. Stanford CoreNLP4 adalah adalah perpustakaan yang dibangun di Jawa. Untuk Stanford CoreNLP,
Paket Python berinteraksi dengan perpustakaan di server yang berjalan di latar belakang pada platform Jawa. Perpustakaan ini menghasilkan skor sentimen sebagai berikut: sangat negatif = 0, negatif = 1, netral = 2, positif = 3, dan sangat positif = 4. Kami menggunakan versi 4.2.0 dari perpustakaan Stanford CoreNLP.

4. SentiStrength5 adalah algoritma oleh Thelwall et al. (2010) digunakan untuk mengekstrak sen-
waktu teks informal. Kami menggunakan pembungkus Python dari algoritma ini untuk menghasilkan sentimen ternary: negatif = -1, netral = 0, positif = 1.

5. Sentiment1406 adalah alat analisis sentimen yang dirancang khusus untuk Twitter. Kami menggunakan API sentimen140 untuk menanyakan sentimen tweet dan mendapatkan polaritas sebagai negatif = 0, netral = 2, dan positif = 4.

Lalu kita membuat tiga macam model machine learning

1. Classification models untuk memprediksi sentimen tweet sebagai label kelas biner (positif dan negatif)
2. Classification models untuk memprediksi sentimen tweet sebagai salah satu dari tiga label kelas (positif, netral, dan negatif)
3. Regression models untuk memprediksi skor sentimen tweet yang tepat.

Link Download Jurnal

Tulisan ini dibuat untuk menjelaskan ringkasand dari sebuah artikel/jurnal seputar teknik machine learning.

Ketika kita membangun/mempunyai platform untuk layanan streaming video (misalnya Youtube) kita membutuhkan storage yang besar untuk bisa menampung video yang diupload dari seluruh dunia. 

Namun, tentu penyimpanan yang dibutuhkan sangat terbatas dan memakan biaya. Maka dari itu butuh sebuah metode atau teknik yang memungkinkan kita hanya menyimpan video video yang menarik saja dan menghapus video video yang jarang ditonton

Caranya adalah dengan menghitung dan mengkalkulasikan beberapa faktor yang ada di bawah ini.

1. Popularity

Adalah beberapa video yang memiliki view tersering dalam kurun waktu 30 hari

2. Storage Cost

Harga storage yang diberikan oleh Amazon Web Service dalam kasus ini

3. Transcoding Cost

Adalah biaya yang dikenakan pada provider tergantung dari seberapa banyak view yang diperoleh masing masing video

4. Cost Ratio

adalah hasil dari pembagian biaya storage dari AWS lalu dibagi dengan Trancoding Cost, yaitu biaya untuk beberapa viewnya

5. Proposed Prediction Method

Metode untuk menentukan apakah sebuah video layak masih tersimpan dalam sebuah database atau belum jika Cost Ration lebih dari 1.

Ke-lima hal di atas menjadi patokan untuk memprediksi video manakah yang memiliki views terendah dan tertinggi untuk 30 hari ke depan menggunakan linear regression

6. Proposed Algorithm

Adalah metode untuk memprediksi keseluruhan data data video yang ada berdasarkan parameter parameter di atas

Setelah itu kita membangun eksperiment set up dimana kita membutuhkan beberapa hal

1. Video Synthesis

Karena mengambil video video sangat sulit dari provider, maka kita bisa menggunakan metadata yang tersedia untuk menghitungnya seperti video size dan transcoding cost.

2. Amazon Storage Rates

Biaya penyimpanan dari AWS

3. Approache's For Comparison

membandingkan metode metode lainnya seperti Partial storing method, Clustering video streams, Clustering GOPs Clustering Method

Link Download Jurnal

Ketika kita membangun model AI pada untuk sebuah prediksi, visualisasi atau analisa kita harus memahami bagaimana data dan permasalahan bisa dituntaskan dengan cara

Salah satu cara untuk melatih daya kritis kita adalah dengan menyelesaikan soal soal atau studi kasus sederhana. Salah satunya adalah studi kasus yang akan kita bahas di bawah ini

Studi Kasus

Definisikan identifikasi ruang keadaan, keadaan awal, tujuan, aturan, hingga penyelesaian masalah berikut. 

a. Ada 3 Pendekar dan 3 Monster

b. Hanya ada 1 perahu yang hanya dapat membawa 2 orang

c. Jika pada suatu lokasi jumlah monster lebih banyak dari pendekar, maka monster akan memakan pendekar