International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.

1, 2019, E- ISSN: 2686-6269

hlm. 9-15

Sejarah artikel:
Diterima 30 Agustus 2019 Direvisi
Klasifikasi Kepribadian melalui
9 Oktober 2019 Diterima 23
Oktober 2019 Media Sosial Menggunakan Probabilistic Neural
Tersedia secara online pada 31 Oktober 2019

Algoritma Jaringan
Mohammad Zoqi Sarwani 1 *, Dian Ahkam Sani 2, Fitria Chabsah Fakhrini 2
Universitas Merdeka Pasuruan, Pasuruan, 67129, Indonesia
Surel: 2 zoqi.sarwani@unmerpas.ac.id *; 2 dianahkam@unmerpas.ac.id ; 3 ficha.fakhrini19@gmail.com
* Penulis yang sesuai

ABSTRAK

Saat ini internet menciptakan generasi baru dengan budaya modern yang menggunakan media digital. Media sosial merupakan salah satu media digital yang populer. Facebook merupakan salah satu
media sosial yang cukup disukai anak muda. Mereka terbiasa menyampaikan pemikiran dan ekspresinya melalui media sosial. Analisis text mining dapat digunakan untuk mengklasifikasikan kepribadian
seseorang melalui media sosial dengan algoritma jaringan saraf probabilistik. Teks tersebut bisa diambil dari status yang ada di Facebook. Dalam penelitian ini terdapat tiga tahapan yaitu pemrosesan teks,
pembobotan, dan jaringan saraf probabilistik untuk menentukan klasifikasi. Pengolahan teks terdiri dari beberapa proses yaitu: tokenisasi, stopword, dan pengukusan. Hasil pengolahan teks berupa teks
diberi nilai bobot pada setiap kata dengan menggunakan metode Term Inverse Document Frequent (TF / IDF). Pada tahap akhir digunakan algoritma Probabilistic Neural Network Algorithm untuk
mengklasifikasikan kepribadian. Penelitian ini menggunakan 25 responden, dengan 10 data sebagai data latih, dan 15 data sebagai data uji. Hasil penelitian ini mencapai akurasi 60%.

Kata kunci: penambangan teks; pemrosesan teks; istilah dokumen terbalik sering; jaringan saraf probabilistik.

I. PENDAHULUAN

Saat ini internet menjadi ruang digital baru dan menghasilkan generasi baru, generasi yang dibesarkan dalam lingkungan budaya modern dengan media digital
interaktif dan literasi komputer. Media lama atau tradisional mulai tergeser oleh media digital, termasuk media sosial seperti Facebook [1]. Indonesia berpeluang
sebagai pengguna Facebook terbesar keempat setelah Amerika Serikat, Brasil, dan India. Ada 65 juta pengguna Facebook, dengan 33 juta pengguna yang
membuka Facebook setiap hari [2].
Media sosial adalah situs di mana setiap orang dapat membuat halaman pribadi, berbagi informasi, dan berkomunikasi dengan teman-teman yang terhubung. Mereka
bisa saling mengenal lebih baik, meski belum pernah bertemu langsung. Menurut Primada Qurrata Ayun, kemunculan media sosial membuat seseorang menggabungkan ruang
privasinya menjadi ruang publik. Selanjutnya, ia tak segan-segan menunjukkan aktivitas pribadinya dan menunjukkan mood kepada semua temannya melalui media sosial [3].
Dengan keterbukaan tersebut, kepribadian seseorang dapat dilihat dari status Facebook atau ekspresi mood di media sosial.

Ada beberapa metode atau tes dalam psikologi yang dapat digunakan untuk menentukan kepribadian seseorang, antara lain MBTI (Myers-Briggs Type
Indicator), DISC (Dominance, Influence, Steadiness, Compliance), dan Big Five. Kepribadian Big Five terbagi menjadi lima kategori, yaitu Openness (O),
Conscientiousness (C), Extraversion (E), Agreeableness (A), dan Neuroticism (N).

O kepribadian adalah kepribadian yang cenderung aktif berimajinasi, peka terhadap estetika, peduli terhadap perasaan pribadi, tertarik pada perbedaan, keingintahuan intelektual,
dan kebebasan berpendapat. Kepribadian C merupakan kepribadian yang cenderung mampu mengontrol impuls, mampu mengontrol diri dalam perencanaan yang matang,
pengorganisasian, dan pelaksanaan tugas. Kepribadian E adalah kepribadian yang cenderung aktif, percaya diri, suka berbicara bahkan banyak bicara, optimis, suka bersenang-senang dan
merasa ceria secara alami. Kepribadian adalah kepribadian yang cenderung mengutamakan orang lain, memiliki perasaan simpatik terhadap orang lain, dan suka membantu. Kepribadian N
merupakan kepribadian yang cenderung mengalami perasaan negatif seperti perasaan takut, sedih, canggung, marah, bersalah, dan benci [4].

Penambangan teks digunakan untuk menentukan sumber pengetahuan dalam suatu dokumen yang berupa teks. Penambangan teks akan menghasilkan pola
data, tren, dan ekstraksi pengetahuan dari data teks potensial. Text mining juga bisa disebut dengan data mining, dimana data berupa teks dan sumber data
diperoleh dari dokumen. Tujuannya untuk mencari kata-kata yang bisa mewakili isi dokumen. Sehingga dapat dianalisis hubungan antar dokumen. Secara umum
konsep kerja text mining sama dengan data mining yaitu penggalian prediktif dan deskriptif. Namun, text mining mengekstrak indeks numerik yang bermakna dari
teks tersebut, kemudian informasi yang terdapat di dalam teks tersebut akan diproses menggunakan berbagai algoritma data mining.

Algoritma Probabilistic Neural Network merupakan Artificial Neural Network (ANN) yang dapat digunakan untuk menyelesaikan masalah klasifikasi. Algoritma ini
termasuk dalam algoritma stokastik, dimana variabel ditentukan secara acak dan dapat berubah sewaktu-waktu dengan menyesuaikan keadaan. Namun dengan
menggunakan algoritma Probabilistic Neural Network prosesnya dapat dilakukan lebih cepat karena algoritma Probabilistic Neural Network hanya membutuhkan satu
iterasi training [5].
Penelitian ini merupakan pengembangan dari penelitian sebelumnya yang berjudul “Analisis Twitter untuk Mengetahui Karakter Seseorang dengan Menggunakan Algoritma Naive Bayes
Classifier”. Studi tersebut menganalisis karakter seseorang melalui media sosial Twitter dengan menggunakan MBTI

9 DOI: 10.25139 / ijair.v1i1.2025

International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.1, 2019, E- ISSN: 2686-6269
hlm. 9-15

Tes (Myers-Briggs Type Indicator) yang merupakan salah satu metode dalam psikologi untuk menentukan karakter seseorang [6]. Untuk mengetahui karakter seseorang melalui
media sosial yaitu twitter, data yang digunakan dalam analisis diperoleh dari tweet pengguna. Algoritma Naive Bayes Classifier digunakan untuk mengklasifikasikan dan hasil
pengujian mencapai akurasi 100% jika dibandingkan dengan hasil pengujian dari para ahli. Selanjutnya dalam penelitian yang berjudul “Klasifikasi Kepribadian Berdasarkan Status
Facebook Menggunakan Metode Propagasi Balik”, menyebutkan bahwa informasi tentang status Facebook yang dianggap tidak penting dan terlihat tidak berguna ternyata dapat
digunakan untuk mengetahui kepribadian seseorang [7]. Kepribadian seseorang mempengaruhi pekerjaannya, maka dalam penelitian ini status facebook digunakan sebagai data
untuk mengetahui seseorang ' Kepribadian selama tes penerimaan karyawan. Cara ini diharapkan dapat mempersingkat waktu seleksi calon karyawan. Algoritma yang digunakan
dalam penelitian ini adalah algoritma Back-Propagation dengan tingkat akurasi yang cukup tinggi

84,00%.
Penelitian yang berjudul “Analisis Sentimen Kampus E-Complaint Menggunakan Algoritma Probabilistic Neural Network”, menerapkan algoritma
Probabilistic Neural Network untuk mengklasifikasikan keluhan mahasiswa melalui website dengan nama e-aduan [8]. Keluhan siswa digolongkan menjadi dua
jenis, yaitu keluhan positif dan keluhan negatif. Dengan menggunakan algoritma Probabilistic Neural Network tingkat akurasi yang diperoleh cukup tinggi yaitu
mencapai 90%. Penelitian dengan judul “Klasifikasi Berita Online Menggunakan Pembobotan TF-IDF dan Kesamaan Cosine”, pembobotan tf-IDF dan cosine
similarity dapat digunakan untuk mengklasifikasikan berita online [9]. Data yang digunakan berasal dari kompas.com. Terlalu banyak berita yang diposting di web,
sehingga sering terjadi kesalahan manusia dan tidak sesuai dengan kategorinya.

II. METODE

Alur pembahasan dalam makalah ini ditunjukkan pada Gambar 1, dimana sisi kiri adalah aliran untuk data latih dan sisi kanan adalah aliran untuk data pengujian.
Aliran data pelatihan dimulai dengan pengambilan dokumen di Facebook. Data diambil dalam bentuk dokumen status facebook. Langkah selanjutnya berupa
penambangan teks dengan melakukan pemrosesan teks. Pada tahap ini dokumen diproses untuk mengubah kata dalam dokumen status menjadi kata standar.

Klasifikasi

Gambar 1. Alur Penelitian

Gambar 2. Pengolahan Teks Flowchart

Langkah pertama adalah merubah kata-kata pada status facebook menjadi kata baku, dengan alur prosesnya dapat dilihat pada gambar 2. Setelah mendapatkan
kata baku, selanjutnya disimpan kedalam database sebagai data latih. Selanjutnya, siapkan data pengujian dengan mengambil dokumen status di Facebook. Dokumen
ini diolah dengan pemrosesan teks, sehingga menghasilkan kata-kata yang standar dan lebih rapi. Proses yang sama dilakukan untuk mendapatkan data pengujian
tetapi tidak perlu disimpan dalam database. Data pengujian dihitung menggunakan algoritma Probabilistic Neural Network untuk mengetahui klasifikasi yang sesuai.
Pada algoritma Probabilistic Neural Network, proses pertama yang harus dilakukan adalah memasukkan input layer dengan memasukkan dokumen berupa status.
Dokumen diubah menjadi kata default sehingga dapat diproses di lapisan. Setelah itu, setiap kata dicari nilai bobotnya. Nilai bobot digunakan untuk perhitungan lapisan
berikutnya. Untuk menghitung bobot setiap kata digunakan metode TF / IDF. Proses kedua adalah Pattern Layer. Pada lapisan ini dilakukan perhitungan setiap kata di
setiap kategori. Terakhir adalah Summation Layer, berupa penjumlahan kata. Pada lapisan ini klasifikasi ditentukan berdasarkan nilai tertinggi.

Gambar 2 merupakan plot pengolahan teks, dengan proses sebagai berikut:

a) Tokenizing adalah proses untuk memisahkan kata-kata yang menyusun kalimat. Proses memisahkan kata menggunakan pembatas atau spasi.
Tokenisasi dilakukan untuk menghilangkan tanda baca dan angka yang tidak memiliki arti. Selain menghilangkan tanda baca dan angka, proses
Tokenisasi juga dilakukan proses ToLowerCase atau proses pengubahan setiap huruf dalam dokumen menjadi huruf kecil semua. Misalnya ada
ungkapan Kegagalan itu seperti lipatan

10 DOI: 10.25139 / ijair.v1i1.2025

International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.1, 2019, E- ISSN: 2686-6269
hlm. 9-15

kertas yang pada waktunya akan menjadi origami yang indah ". Kalimat tersebut akan dipisahkan menjadi token dan mengubah huruf kapital menjadi
huruf kecil sehingga didapat hasil,“ kegagalan ”,“ itu ”,“ seperti ”,“ lipatan ”,“ kertas ”,“ Yang ”,“ pada ”,“ waktunya ”,“ akan ”,“ menjadi ”,“ origami ”,“ yang
”, dan“ indah ”.
b) Stopword adalah kata yang sering muncul di dokumen. Stopwords tidak ada artinya atau kata penghubung. Stopword harus dihilangkan, karena dapat
mengganggu proses klasifikasi. Beberapa contoh stopword "atau", "dan", kemudian "," yang "," kamu ", dll. Contoh kalimat" Kegagalan itu seperti
lipatan kertas yang pada waktunya akan menjadi origami yang indah. Setelah proses tokenisasi maka akan terjadi “kegagalan,“ lipatan ”,“ kertas ”,“
waktunya ”,“ origami ”, dan“ indah ”.

c) Mengukus adalah proses mengubah kata menjadi bentuk asli atau dasar. Proses ini mem-parsing kata atau menghapus kata yang memiliki prefiks,
infiks, dan postfix sehingga mendapatkan kata-kata dasar. Contoh imbuhan antara lain "me", "meng", "an", "di" dan lain sebagainya. Pada stopword
sebelumnya hasil berupa “kegagalan,“ lipatan ”,“ kertas ”,“ waktunya ”,“ origami ”, dan“ indah ”. Jadi dalam mengukus hasil yang didapat adalah kata
default. Hasilnya adalah “gagal,“ lipat ”,“ kertas ”,“ waktu ”,“ origami ”, dan“ indah ”.

SEBUAH. Pembobotan

Dalam penelitian ini menggunakan metode Term Frequency Inverse Document Frequency (TF / IDF) untuk pembobotannya. Pembobotan adalah pemberian nilai atau
penghitungan jumlah kata dalam suatu dokumen yang dihitung dengan skema pembobotan tertentu. Dalam sebuah dokumen, setiap kata memiliki tingkat kepentingan yang
berbeda. Setiap kata diberi indikator yang disebut bobot istilah, (Zafikri, 2010). Metode ini berfungsi untuk mencari representasi dari nilai setiap dokumen dalam database.

Pada langkah pertama, hitung nilai TF atau Term Frequency. Frekuensi istilah adalah menghitung jumlah kata yang sama dalam database dan kata dalam
data pengujian. Setiap kata diberi bobot 1. Langkah selanjutnya adalah menghitung nilai IDF atau Inverse Document Frequency, yang bertujuan untuk mengetahui
jumlah kata yang muncul di dokumen. Bobot masing-masing suku dapat dirumuskan seperti pada persamaan (1).

(1)
Dimana variabel W adalah nilai bobot, variabel TF adalah nilai kata yang muncul, dan variabel IDF adalah jumlah kata yang muncul di dokumen.

B. Jaringan Saraf Probabilistik

Penelitian ini menggunakan algoritma Probabilistic Neural Network. Probabilistic Neural Network adalah algoritma yang digunakan untuk menyelesaikan
masalah klasifikasi. Proses klasifikasi dilakukan hanya dalam satu tahap sehingga prosesnya sedikit lebih cepat dibandingkan dengan algoritma turunan Neural
Network lainnya. Dalam Jaringan Neural Probabilistik terdapat tiga lapisan, yaitu lapisan masukan, lapisan pola, dan lapisan penjumlahan. Dalam penelitian ini
terdapat lima klasifikasi yaitu Openness, Conscientiousness, Extraversion, Agreeableness, dan Neuroticism. Alur algoritma Probabilistic Neural Network dengan
kelima klasifikasi tersebut dapat dilihat pada Gambar 3

Masukkan Facebook
Status

Gambar 3. Aliran Jaringan Neural Probabilistik

11 DOI: 10.25139 / ijair.v1i1.2025

International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.1, 2019, E- ISSN: 2686-6269
hlm. 9-15

Proses algoritma Probabilistic Neural Network dimulai dari input layer. Pada proses menggambar, input layer disimbolkan dengan angka satu yang terletak
setelah panah yang mengarah ke kanan. Proses pada lapisan masukan adalah memasukkan dokumen yang akan diklasifikasikan. Dokumen tersebut berisi status
pengguna facebook yang belum diproses. Proses selanjutnya adalah pengolahan teks, untuk menghasilkan kata baku atau kata baku yang dianggap memiliki
makna. Proses selanjutnya adalah layer pola, layer pola terletak pada simbol angka 2. Proses ini dihitung pada setiap kata. Variabel W1 dan W2 pada gambar
adalah bobot setiap kata dalam dokumen. Pada contoh ada dua kata yang dicontohkan sehingga hanya ada variabel W1 dan W2. Variabel W adalah berat,

Berikutnya adalah proses pembobotan nilai, untuk mengukur kata atau kata paling bermakna yang paling berpengaruh terhadap klasifikasi. Untuk
melakukan penghitungan, setiap kata perlu diubah dalam bentuk numerik. Tujuannya adalah untuk mengubah kata menjadi angka dengan membobot kata.
Metode pembobotan yang digunakan adalah metode TF / IDF. Perhitungan TF / IDF dapat dilihat pada persamaan (1). Hasil persamaan (1) digunakan sebagai
input pada persamaan (2), dimana persamaan (2) merupakan rumus layer pola pada algoritma Probabilistic Neural Network. Pada layer pola setiap kata dihitung
dalam setiap klasifikasi, jadi jika dokumen berisi tiga kata, maka ketiga angka tersebut dihitung dalam lima klasifikasi. Jadi setiap kata melewati lima perhitungan.
Jika ada tiga kata, maka dokumen tersebut akan melalui perhitungan lima kali.

Setelah mendapatkan hasil pada layer pola, proses terakhir adalah menjumlahkan semua hasil tersebut. Proses ini termasuk dalam lapisan penjumlahan. Proses
penjumlahan layer terdapat pada lambang angka 3. Pada gambar terdapat lambang P, lambang ini merupakan lambang dari lapisan penjumlahan, dimana bilangan
berikut merupakan bilangan klasifikasi yang digunakan. Lapisan penjumlahan juga menjumlahkan semua nilai yang diperoleh menggunakan persamaan (3). Proses
terakhir adalah keluaran atau klasifikasi yang diperoleh. Klasifikasi dilihat dari nilai terbesar pada lapisan penjumlahan.

(2)

(3)

C. Pengumpulan Data

Data yang digunakan dalam penelitian adalah status facebook. Sebelum mengambil data, perlu diketahui kepribadian orang yang menjadi target analisis. Untuk
mengetahui kepribadian seseorang, maka langkah pertama yang dilakukan adalah dengan menyebarkan kuesioner sebanyak 25 kuesioner kepada pengguna aktif Facebook.
Selanjutnya data kuisioner tersebut dianalisis oleh para ahli terkait untuk mengetahui kepribadiannya.

Dalam pembahasan makalah ini, peneliti melakukan pengujian hasil penelitian dalam dua tahap. Tahap pertama adalah menguji keakuratan text mining dalam
mengolah data yang diambil dari media sosial Facebook. Tahap kedua adalah menguji akurasi algoritma Probabilistic Neural Network (PNN). Dalam pengujian data yang
digunakan sebagai bahan pengujian adalah user id facebook. Dalam penelitian ini digunakan data user id facebook sebanyak 25 pengguna, dimana 10 data digunakan
sebagai data latih dan 15 digunakan sebagai data uji coba atau data latih.

D. Evaluasi

Evaluasi dilakukan untuk mengetahui keakuratan suatu algoritma dalam penelitian ini. Keakuratan hasil dapat ditentukan dengan membandingkan hasil
klasifikasi dengan data hasil analisis ahli. Selanjutnya hasil tersebut juga dibandingkan dengan total data atau semua data yang digunakan baik data benar
maupun salah dan dikalikan 100%. Rumus perhitungan seperti pada persamaan (4),

(4)

AKU AKU AKU. HASIL DAN DISKUSI

Sebagai permulaan, masuk sebagai admin dengan pergi ke tombol kanan atas. Sedangkan sebagai pengguna, untuk memulai sistem, Anda bisa langsung memasukkan status
yang ingin dianalisis kepribadiannya. Gambar 4 menampilkan jumlah kepribadian yang digunakan untuk klasifikasi, yaitu terdapat lima klasifikasi, yaitu Openness, Conscientiousness,
Extraversion, Agreeableness, dan Neorithicsm. Pada menu ini admin dapat menambahkan data kepribadian, edit atau hapus. Untuk menambah data kepribadian dengan mengklik
tombol tambah pada tabel, maka akan muncul form untuk mengisi data kepribadian baru. Halaman menu data kepribadian digunakan untuk memasukkan data kepribadian yang akan
digunakan sebagai klasifikasi. Menu edit digunakan untuk mengedit data yang sudah masuk bila ada kesalahan. Menu delete digunakan untuk menghapus data yang dianggap tidak
perlu.

12 DOI: 10.25139 / ijair.v1i1.2025

International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.1, 2019, E- ISSN: 2686-6269
hlm. 9-15

Gambar 4. Data Kepribadian

Halaman menu data facebook pada Gambar.5 digunakan untuk melihat data latih yang berisi id, nama facebook atau username facebook, status, dan id tipe personality. Untuk
menambah data dapat dilakukan dengan cara klik tombol yang terdapat diatas tabel dan terdapat form untuk pengisian data baru. Untuk mengedit atau mengubah data, terdapat
tombol edit di sebelah kanan beserta menu hapus.

Gambar 5. Data Facebook

Halaman Data Status berisi kata-kata dari semua status pada data latih yang telah melalui proses pengolahan teks, dimana dalam proses tersebut dihasilkan kata-kata standar atau kata-kata
penting yang digunakan untuk menganalisis kepribadian seseorang. Seperti yang ditunjukkan pada Gambar 6

Gambar 6. Teks Status

Hasil tes kepribadian dilakukan terhadap 25 orang dengan hasil tes seperti terlihat pada tabel 1. Dalam data digunakan untuk menentukan bentuk
kepribadian.

13 DOI: 10.25139 / ijair.v1i1.2025

International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.1, 2019, E- ISSN: 2686-6269
hlm. 9-15

TABEL I
R HASIL ANALISIS

Inisial Kepribadian Sistem Kepribadian B/S

SEBUAH Ekstraversi Ekstraversi B

B Neuroticism Neuroticism B

C Persetujuan Persetujuan B

D Persetujuan Persetujuan B

E Keterbukaan Keterbukaan B

F Neuroticism Neuroticism S

G Neuroticism Neuroticism S

H. Kesadaran Kesadaran B

saya Keterbukaan Keterbukaan B

J Keterbukaan Keterbukaan S

K Ekstraversi Ekstraversi S

L Persetujuan Persetujuan B

M Persetujuan Persetujuan B

N Ekstraversi Ekstraversi B

HAI Ekstraversi Keterbukaan S

P. Keterbukaan Keterbukaan S

Q Neuroticism Neuroticism S

R Kesadaran Keterbukaan S

S Kesadaran Conscientiuosness B

T Keterbukaan Keterbukaan B

U Ekstraversi Ekstraversi B

V. Persetujuan Persetujuan S

W Neuroticism Neuroticism B

X Kesadaran Conscientiuosness B

Y Kesadaran Kesadaran S

Berdasarkan hasil pengujian dapat disimpulkan bahwa Jaringan Saraf Tiruan Probabilistik memiliki nilai akurasi menggunakan persamaan (4) sebesar 60% dengan 15 pengguna
yang benar atau sesuai dengan kepribadian, dan 10 pengguna lainnya salah atau tidak sesuai dengan kepribadian mereka.

IV. KESIMPULAN

Berdasarkan penelitian dari klasifikasi kepribadian melalui media sosial dengan menggunakan algoritma probabilistic neural network dengan menggunakan media sosial
dapat dianalisis kepribadian seseorang, salah satunya adalah media sosial Facebook. Dalam mengklasifikasikan kepribadian melalui beberapa proses termasuk
pemrosesan teks dan algoritma jaringan saraf probabilistik untuk klasifikasi. Dalam algoritma jaringan saraf probabilistik, terdapat tiga lapisan untuk menganalisis teks
status, yaitu lapisan masukan, lapisan pola, dan lapisan penjumlahan. Teks pada status akan dimasukan melalui input layer, kemudian frekuensi tiap dokumen berada
pada layer pola, dan layer terakhir atau lapisan penjumlahan merupakan proses klasifikasi atau hasil klasifikasi sesuai dokumen.

14 DOI: 10.25139 / ijair.v1i1.2025

International Journal of Artificial Intelligence & Robotics (IJAIR) Vol. 1 No.1, 2019, E- ISSN: 2686-6269
hlm. 9-15

UCAPAN TERIMA KASIH

Selanjutnya penelitian ini diharapkan dapat berkembang lebih luas dengan memanfaatkan berbagai media sosial yang kini semakin banyak digunakan oleh masyarakat. Selain
itu, diharapkan tidak hanya mengolah bahasa Indonesia standar tetapi juga bahasa gaul. Kombinasi algoritma lain juga dimungkinkan untuk hasil akurasi yang lebih tinggi.

REFERENSI

[1] IS Ibrahim, Kritik Budaya Komunikasi, Yogyakarta: Jalasutra, 2011.

[2] "Pengguna Internet di Indonesia 63 Juta Orang," 19 April 2019. [Online]. Tersedia: http://kominfo.go.id/index.
php / content / detail / 3415 / Kominfo +% 3A + Pengguna + Internet + di + Indonesia + 63 + Juta + Orang / 0 / berita_satker.

[3] PQ Ayun, "Fenomena Remaja Menggunakan Media Sosial dalam Membentuk Identitas," Saluran, hlm. 1-16, 2015.

[4] AT Damanik dan ML Khodra, "Prediksi Kepribadian Big 5 Pengguna Twitter dengan Support Vector Regression,"
Cybermatika, hlm. vol. 3 - tidak. 1, 2015.

[5] E. Shofa, H. Yasin dan R. Rahmawati, "Klasifikasi Data Berat Bayi Lahir Menggunakan Jaringan Saraf Probabilistik dan Regresi Logistik (Studi Kasus di
Rumah Sakit Islam Sultan Agung Semarang Tahun 2014)," Jurnal Gaussian, hlm. 815-
824, 2015.

[6] MZ Sarwani dan WF Mahmudy, "Analisis Twitter untuk melihat Karakter Seseorang yang menggunakan Algoritma Naive Bayes Classifier," hlm.
291-296, 2015.

[7] KM Lhaksamana, F. Nhita dan D. Anggraini, "Klasifikasi Kepribadian Berdasarkan Status Facebook Menggunakan Metode BACKPROPAGATION," e-Proceeding
of Engineering, p. 5174, 2017.
[8] MZ Sarwani dan WF Mahmudy, "Analisis Sentimen Kampus E-Complaint Menggunakan Probabilistic Neural Network Algorithm," Kursor, hlm.135 -
140, 2016.

[9] B. Heriwijayanti, DE Ratnawati dan L. Muflikhah, "Klasifikasi Berita Online dengan Menggunakan Pembobotan TF-IDF dan Cosine Similarity," Pengembangan
Teknologi Informasi dan Ilmu Komputer, hlm.306-312, 2018.
[10] A. Nilogiri, "Pengaruh Fitur Warna pada Klasifikasi Impresi Citra Batik Indonesia Menggunakan Probabilistic Neural
Jaringan," JUSTINDO, 2016.

[11] KR Prilianti dan H. Wijaya, "Aplikasi Text Mining untuk Automasi Penentuan Tren Topik Skripsi dengan Metode K-
Berarti Clustering, " Cybermatika, 2014.

[12] EK Putri dan T. Setiadi, "Penerapan Text Mining pada Sistem Klasifikasi Email Spam Menggunakan Naive Bayes,"
Jurnal Sarjana Teknik Informatika, 2014.

15 DOI: 10.25139 / ijair.v1i1.2025