http://inacl.id/journal/index.php/jlk/issue/feed Jurnal Linguistik Komputasional 2024-03-27T13:33:11+07:00 Dr. Arbi Haza Nasution, M.IT arbi@eng.uir.ac.id Open Journal Systems <p><strong>Jurnal Linguistik Komputasional</strong> atau disingkat <strong>JLK</strong> adalah peer reviewed journal di bidang lingustik komputasional. Jurnal ini diterbitkan setiap semester (Maret dan September) oleh <a title="INACL" href="http://inacl.id/" target="_blank" rel="noopener">Indonesia Association of Computational Linguistics</a> (INACL). Semua artikel yang dikirimkan ke JLK akan direview secara tertutup (blind review) oleh para <a href="http://inacl.id/journal/index.php/jlk/reviewers">mitra bestari</a>. Makalah yang diterima akan tersedia secara online (akses gratis).<br /><br />Jurnal Linguistik Komputasional menerbitkan makalah orisinil di bidang lingustik komputasional yang mencakup, namun tidak terbatas pada : Phonology, Morphology, Chunking/Shallow Parsing, Parsing/Grammatical Formalisms, Semantic Processing, Lexical Semantics, Ontology, Linguistic Resources, Statistical and Knowledge based methods, POS tagging, Discourse, Paraphrasing/Entailment/Generation, Machine Translation, Information Retrieval, Text Mining, Information Extraction, Summarization, Question Answering, Dialog Systems, Spoken Language Processing, Speech Recognition and Synthesis.</p> http://inacl.id/journal/index.php/jlk/article/view/142 Analisis Sentimen dan Topik Perbincangan Netizen Indonesia Terkait Pengurangan Subsidi BBM 2024-03-26T04:18:59+07:00 Adi Mulia adimulia@uhamka.ac.id Akhmad Rizal Dzikrillah ahmadrizaldzikrillah@gmail.com <p>Abstract- This research was conducted with the aim that is based on problems that arise in society, namely the increase in fuel prices. The sentiment classification method applied by researchers is to use a lexicon corpus dictionary that takes into account positive and negative sentiment values. The researcher then compares the sentiment between before and after the fuel price increase policy. Furthermore, the researcher applied Latent Dirichlet Allocation or (LDA) topic modeling to find out whether the discussion of the fuel price increase became the main topic when the fuel rose. The results of this study show that after announcing the fuel price increase in September 2022, the percentage of negative tweets directed at President Jokowi has increased when compared to before announcing the fuel price increase. The percentage of positive tweets directed at President Jokowi decreased when compared to before raising fuel prices. In the month when President Jokowi announced the fuel price increase policy, namely in September 2022, the topic of conversation related to the fuel price increase policy was the most popular topic of conversation in tweets directed at President Jokowi. 33.8% of tweets that discussed the fuel price increase were negative tweets with the most popular topics of discussion for netizens with negative sentiments were topics related to criticism of the Jokowi administration.</p> 2024-03-26T00:00:00+07:00 Copyright (c) 2024 Jurnal Linguistik Komputasional http://inacl.id/journal/index.php/jlk/article/view/197 Pengaruh Penggunaan Attention pada Kualitas Mesin Penerjemah Berbasis Neural Bahasa Indonesia ke Bahasa Madura Bangkalan 2024-03-26T04:48:16+07:00 Anggi Pertiwi anggipertiwi123@student.untan.ac.id Herry Sujaini hs@untan.ac.id Novi Safriadi safriadi@informatics.untan.ac.id <p>Mesin penerjemah jaringan saraf tiruan (NMT) telah banyak digunakan pada berbagai macam pasangan bahasa resmi di dunia. Sudah cukup banyak penelitian yang memperlihatkan kenaikan pada akurasi NMT dengan menggunakan <em>attention</em> dibandingkan tanpa <em>attention</em>. Namun, penerapannya terhadap bahasa daerah khususnya di Indonesia masih terbilang sedikit. Untuk itu, pada penelitian ini akan dibangun mesin penerjemah berbasis neural bahasa Indonesia ke bahasa Madura Bangkalan menggunakan mekanisme <em>attention</em> Bahdanau yang dapat mengukur pengaruh kualitas penggunaan <em>attention</em> terhadap mesin penerjemah dengan berdasarkan hasil evaluasi otomatis oleh BLEU (<em>Bilingual Evaluation Understudy</em>) dan TER (<em>Translation Edit Rate</em>). Jumlah korpus teks paralel yang digunakan sebanyak 5000 baris kalimat. Penelitian ini mengguanakan framework deep learning tensorflow sebagai <em>code open source</em> NMT. Pembagian data dilakukan dengan metode <em>k-fold cross validation</em>. Proses pengujian dilakukan dilakukan dengan penambahan <em>epoch</em> secara konsisten. Hasil pengujian <em>k-fold cross validation</em> dengan <em>attention</em> didapatkan nilai rata-rata akurasi tertinggi oleh BLEU sebesar 21,47% pada <em>epoch</em> 70 dan terendah sebesar 10,71% pada <em>epoch</em> 10. Pada <em>attention</em> didapat nilai akurasi tertinggi pada data Uji5 di <em>epoch</em> 70 oleh BLEU sebesar 37,15% dan TER sebesar 56% dengan jumlah kalimat hasil terjemahan sebanyak 334 kalimat. Sedangkan tanpa <em>attention</em>, pada data Uji6 dengan hasil oleh BLEU sebesar 14,56% di <em>epoch</em> 70 dan TER sebesar 88% di <em>epoch</em> 10. Dapat diketahui, bahwa dengan penggunaan mekanisme <em>attention</em> Bahdanau hasil yang didapat lebih tinggi dibandingkan tanpa mekanisme <em>attention</em>.</p> 2024-03-26T00:00:00+07:00 Copyright (c) 2024 Jurnal Linguistik Komputasional http://inacl.id/journal/index.php/jlk/article/view/145 Klasifikasi Sentimen Emosi Pada Dataset Goemotion Menggunakan LSTM 2024-03-27T13:11:05+07:00 Bagus Satrio 09021182025025@student.unsri.ac.id Bulan Fitri Dahlan 09021282025071@student.unsri.ac.id Fathir Fathan 09021282025088@student.unsri.ac.id Fadhil Zahran Muwafa 09021282025077@student.unsri.ac.id Muhammad Reyhan Zanzabili 09021282025093@student.unsri.ac.id Abdiansah Abdiansah abdiansah@unsri.ac.id <p><strong>Penelitian ini membahas tentang pengembangan sistem klasifikasi sentimen emosi pada teks menggunakan metode deep-learning LSTM (Long Short Term Memory) dengan dataset yang digunakan yaitu dataset GoEmotion. Sistem ini bertujuan untuk mengidentifikasi emosi tersirat yang terkandung dalam suatu teks secara tepat dan efisien ke dalam 28 jenis bentuk emosi. Metode yang digunakan dalam penelitian ini adalah LSTM atau Long Short Term Memory untuk mendeteksi dan mengklasifikasikan emosi berdasarkan teks. Program dalam penelitian ini dibuat menggunakan bahasa pemrograman python dengan menggunakan beberapa library yang telah tersedia. Hasil dari eksperimen ini menunjukkan bahwa model LSTM mampu mengenali dan mengklasifikasikan emosi yang terkandung di dalam sebuah teks secara cukup baik dengan akurasi tertinggi mencapai angka 0.36 (36% akurasi). Sistem klasifikasi ini digunakan untuk dapat mengatasi masalah terkait dengan pengenalan emosi yang terkandung dalam suatu teks atau kalimat.</strong></p> 2024-03-26T00:00:00+07:00 Copyright (c) 2024 Jurnal Linguistik Komputasional http://inacl.id/journal/index.php/jlk/article/view/214 Analisis Sentimen Terhadap Rencana Penerapan E-Voting Pada Pemilu di Indonesia 2024-03-27T13:14:12+07:00 Muhammad Rizky Adipratama muhammadrizkyadipratama@gmail.com Novi Safriadi safriadi@informatics.untan.ac.id <p>Penelitian ini membahas tentang analisis sentimen masyarakat terhadap <em>e-voting</em> pada pemilihan umum<em>. </em>Pada sosial media, terutama <em>Twitter, </em>masyarakat menyerukan pendapat mereka mengenai penerapan <em>e-voting </em>di Indonesia. <em>E-voting </em>adalah teknologi yang memungkinkan pengguna bisa memberikan suara dan menghitung suara dimana saja. Melihat potensi ini, beberapa wilayah di Indonesia pelan pelan menerapkan <em>E-voting, </em>dan masyarakat mulai memberikan pendapat mereka. Tujuan dari penelitian ini adalah untuk melihat pendapat masyarakat mengenai <em>E-Voting </em>apakah cocok diterapkan secara penuh di Indonesia atau tidak. Metode yang digunakan dalam penelitian ini adalah algoritma klasifikasi, yaitu algoritma <em>naive bayes </em>dan <em>neural network</em>. Pengujian dilakukan terhadap <em>data set </em>yang telah dikumpulkan dan dilatih dengan algoritma <em>naive bayes </em>dan <em>neural network. </em>Berdasarkan pada hasil pengujian <em>confusion matrix</em>, sentimen masyarakat terhadap penerapan <em>E-Voting </em>di Indonesia dengan algoritma <em>naive bayes </em>memperoleh sentimen positif 87.1%, netral 49.1%, dan negatif 61.9%. Sedangkan dengan algoritma <em>neural network </em>memperoleh sentimen positif 67.8%, netral 64.9%, dan negatif 74.1%.</p> 2024-03-27T00:00:00+07:00 Copyright (c) 2024 Jurnal Linguistik Komputasional http://inacl.id/journal/index.php/jlk/article/view/169 Sentiment Analysis of M-Banking User Reviews Using a Support Vector Machine and a Decision Tree Algorithm 2024-03-27T13:33:11+07:00 Nur Zelina 41519010059@student.mercubuana.ac.id Afiyati Afiyati afiyati.reno@mercubuana.ac.id <p>Advances in technology and information have a major influence on human life. The use of this technology has been widely used by humans, especially the use of internet technology. The internet that can be used at an affordable price and easily available supporting hardware has brought humans into a more modern era. In this study, sentiment analysis was carried out on the use of the Motion Banking application using the Support Vector Machine (SVM) algorithm and the Decision Tree algorithm. This study uses the Knowledge Discovery in Database (KDD) method. The purpose of this study is to classify review data from users of the Motion Banking application into positive and negative sentiments by studying user opinions about the Motion Banking application through the reviews provided, and to determine the performance of the classifier method used. In this study, data was obtained by collecting data from user reviews of the Motion Banking application on the Google Play Store using scraping techniques and managed to get 7000 review data. The best results were obtained in scenario 3 (70:30) using the Support Vector Machine algorithm with the Linear kernel which produced 93.7% accuracy, 93.6% precision, 91% recall, and 92.3% f1 score, while for The Decision Tree has an accuracy of 83%, a precision of 80.7%, a recall of 77%, and an f1 score of 79.1%.</p> 2024-03-27T00:00:00+07:00 Copyright (c) 2024 Jurnal Linguistik Komputasional