Klasifikasi Komentar Video Instruksional Populer Bertemakan Pekarangan Perkotaan menggunakan Auto-Keras

Trisna Gelar, Aprianti Nanda Sari

Abstract


Keterbatasan kompetensi menjadi halangan untuk memulai melakukan kegiatan pekarangan perkotaan. Mempraktikkan langkah-langkah pada video instruksional populer di Youtube dari individu maupun profesional dapat meningkatkan kompetensi diri. Namun, kualitas video instruksional(konten, audio dan visual) sangat bervariasi bergantung pada orang yang memproduksinya. Penonton secara langsung dapat berinteraksi dengan memberikan apresiasi (positif maupun negatif), tanggapan atau pertanyaan pada kolom komentar seputar topik yang dipresentasikan. Umpan balik tersebut digunakan untuk memperbaiki kualitas dari video seperti memberikan penjelasan mendalam untuk topik yang sering ditanyakan dan melanjutkan atau menghentikan video berdasarkan topik yang paling disukai atau sebaliknya. Pekerjaan klasifikasi komentar dapat diselesaikan dengan mudah menggunakan Auto-Keras karena proses pemilihan model, pencarian arsitektur neural-network dan evaluasi model terbaik dilakukan secara otomatis. Penelitian pada umumnya terdiri atas empat fase, yaitu (1) pengumpulan dataset, (2) text processing, (3) feature engineering, dan (4) pemodelan dan evaluasi. Pada penelitian ini telah terkumpul 5194 komentar berlabel(aspirasi, pertanyaan, dan pernyataan) dari 5 video instruksional populer bertemakan pekarangan kota yang dikurasi oleh penulis berdasarkan urutan views, likes dan dislikes tertinggi. Kualitas kalimat komentar diperbaiki pada fase persiapan melalui proses text cleaning, normalization, tokenization dan stemming. Pada proses normalization, kamus istilah pertanian menjadi informasi agar tidak tercampur dengan bahasa informal yang mirip. Kalimat komentar yang telah normal dikonversikan menjadi n-gram dan word embedding sebagai input auto-keras. Dari hasil pengujian evaluasi model, akurasi yang dihasilkan auto-keras dengan fitur word embedding mencapai 86.91% sedikit lebih baik dari akurasi fitur n-gram 86.33%.Keterbatasan kompetensi menjadi halangan untuk memulai melakukan kegiatan pekarangan perkotaan. Mempraktikkan langkah-langkah pada video instruksional populer di Youtube dari individu maupun profesional dapat meningkatkan kompetensi diri. Namun, kualitas video instruksional(konten, audio dan visual) sangat bervariasi bergantung pada orang yang memproduksinya. Penonton secara langsung dapat berinteraksi dengan memberikan apresiasi (positif maupun negatif), tanggapan atau pertanyaan pada kolom komentar seputar topik yang dipresentasikan. Umpan balik tersebut digunakan untuk memperbaiki kualitas dari video seperti memberikan penjelasan mendalam untuk topik yang sering ditanyakan dan melanjutkan atau menghentikan video berdasarkan topik yang paling disukai atau sebaliknya. Pekerjaan klasifikasi komentar dapat diselesaikan dengan mudah menggunakan Auto-Keras karena proses pemilihan model, pencarian arsitektur neural-network dan evaluasi model terbaik dilakukan secara otomatis. Penelitian pada umumnya terdiri atas empat fase, yaitu (1) pengumpulan dataset, (2) text processing, (3) feature engineering, dan (4) pemodelan dan evaluasi. Pada penelitian ini telah terkumpul 5194 komentar berlabel(aspirasi, pertanyaan, dan pernyataan) dari 5 video instruksional populer bertemakan pekarangan kota yang dikurasi oleh penulis berdasarkan urutan views, likes dan dislikes tertinggi. Kualitas kalimat komentar diperbaiki pada fase persiapan melalui proses text cleaning, normalization, tokenization dan stemming. Pada proses normalization, kamus istilah pertanian menjadi informasi agar tidak tercampur dengan bahasa informal yang mirip. Kalimat komentar yang telah normal dikonversikan menjadi n-gram dan word embedding sebagai input auto-keras. Dari hasil pengujian evaluasi model, akurasi yang dihasilkan auto-keras dengan fitur word embedding mencapai 86.91% sedikit lebih baik dari akurasi fitur n-gram 86.33%.

Full Text:

PDF

References


A. R. Fauzi, A. N. Ichniarsyah, and H. Agustin, “Pertanian Perkotaan : Urgensi, Peranan, Dan Praktik Terbaik,” Jurnal Agroteknologi, vol. 10, no. 01, p. 14, 2016.

A. Hermawan and IAARD Press, Eds., Kawasan rumah pangan lestari: pekarangan untuk diversifikasi pangan, Cetakan 2014. Jakarta: IAARD Press, Badan Penelitian dan Pengembangan Pertanian, Kementerian Pertanian, 2014.

C. O’Neil and Hart, “Why you should lean into how-to content in 2018,” Dec. 30, 2017. https://www.thinkwithgoogle.com/marketing-strategies/video/self-directed-learning-youtube/ (accessed Oct. 16, 2020).

P. Ten Hove and H. van der Meij, “Like It or Not. What Characterizes YouTube’s More Popular Instructional Videos?,” Society for Technical Communication, vol. 62, no. 1, pp. 48–62, 2015.

L. A. Liikkanen, “Three Metrics for Measuring User Engagement with Online Media and a YouTube Case Study,” p. 4.

J. S. Morgan, I. Barjasteh, C. Lampe, and H. Radha, “The Entropy of Attention and Popularity in YouTube Videos,” p. 18, 2014.

T. Li, L. Lin, M. Choi, K. Fu, S. Gong, and J. Wang, “YouTube AV 50K: An Annotated Corpus for Comments in Autonomous Vehicles,” 2018 International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), pp. 1–5, Nov. 2018, doi: 10.1109/iSAI-NLP.2018.8692799.

G. Olasina, “An evaluation of educational values of YouTube videos for academic writing,” vol. 9, no. 4, p. 31.

J. Olivier, “Short Instructional Videos as Multimodal Open Educational Resources in a Language Classroom,” p. 29.

A. Sambhanthan, S. Thelijjagoda, and J. Tan, “Implications for utilizing YouTube based community interactions for destination marketing: Investigation of a typology approach,” in 2013 8th International Conference on Computer Science & Education, Colombo, Sri Lanka, Apr. 2013, pp. 365–370, doi: 10.1109/ICCSE.2013.6553939.

C. S. Araujo, G. Magno, W. Meira Jr, V. Almeida, P. Hartung, and D. Doneda, “Characterizing videos, audience and advertising in Youtube channels for kids,” arXiv:1707.00971 [cs], Jul. 2017, Accessed: Oct. 18, 2020. [Online]. Available: http://arxiv.org/abs/1707.00971.

H. Jin, Q. Song, and X. Hu, “Auto-Keras: An Efficient Neural Architecture Search System,” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, Anchorage AK USA, Jul. 2019, pp. 1946–1956, doi: 10.1145/3292500.3330648.

X. He, K. Zhao, and X. Chu, “AutoML: A Survey of the State-of-the-Art,” arXiv:1908.00709 [cs, stat], Jul. 2020, Accessed: Oct. 16, 2020. [Online]. Available: http://arxiv.org/abs/1908.00709.

Liem, J.S., 1984. Kamus istilah pertanian. Pusat Pembinaan dan Pengembangan Bahasa, Departemen Pendidikan dan Kebudayaan.

Kowsari, Jafari Meimandi, Heidarysafa, Mendu, Barnes, and Brown, “Text Classification Algorithms: A Survey,” Information, vol. 10, no. 4, p. 150, Apr. 2019, doi: 10.3390/info10040150.

Dhakiri. M.H, Penetapan Standar Kompetensi Kerja Nasional Indonesia Kategori Pertanian, Kehutanan Dan Perikanan Golongan Pokok Pertanian Tanaman, Peternakan, Perburuan Dan Kegiatan Yang Berhubungan Dengan Itu(Ybdi) Bidang Produksi Dan Produktivitas Tanaman. 2015.

Lubis, A.H.H., 1990. Glosarium bahasa dan sastra. Fakultas Keguruan Sastra Seni, Intitut Keguruan dan Ilmu Pendidikan.

N. Aliyah Salsabila, Y. Ardhito Winatmoko, A. Akbar Septiandri, and A. Jamal, “Colloquial Indonesian Lexicon,” in 2018 International Conference on Asian Language Processing (IALP), Bandung, Indonesia, Nov. 2018, pp. 226–229, doi: 10.1109/IALP.2018.8629151.

V. Singh, “Replace or Retrieve Keywords In Documents at Scale,” arXiv:1711.00046 [cs], Nov. 2017, Accessed: Oct. 21, 2020. [Online]. Available: http://arxiv.org/abs/1711.00046.

Text Classification, https://autokeras.com/tutorial/text_classification/ , Accessed: Oct. 21, 2020.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Journal of Software Engineering, Information and Communication Technology



Journal of Software Engineering, Information and Communicaton Technology (SEICT), 
(e-ISSN:
2774-1699 | p-ISSN:2744-1656) published by Program Studi Rekayasa Perangkat Lunak, Kampus UPI di Cibiru.

 

Indexed by.