Sentiment Analysis Model Based On Youtube Comment Using
Support Vector Machine
TESIS
Diajukan kepada
Fakultas Teknologi Informasi
Untuk Memperoleh Gelar Master of Computer Science
Oleh:
Fiktor Imanuel Tanesab
NIM: 972015004
Program Studi Magister SistemInformasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Juli 2017
IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM)
UNTUK SENTIMEN ANALISIS TERHADAP KINERJA
GUBERNUR AHOK
Fiktor Imanuel Tanesab1 Irwan Sembiring
2, Hindriyanto Dwi Purnomo
3
1,2,3Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana, Salatiga – Jawa Tengah, Indonesia.
Abstract
Opinion mining atau komentar terhadap penilaian sikap, entitas individu, bergerak begitu bebas, hal seperti ini
yang sering disebut sentimen. Di youtube semua orang bebas memberikan pendapat atau beropinin terkait
dengan opini – opini yang ada. Dengan adanya opinion yang mengalir begitu cepat maka, perlu adanya
penelitian terkait opininon mining untuk mengetahui sejauh mana kinerja Gubernur Ahok. Analisa sentiment
merupakan suatu cara untuk mengetahui pola atau karakter dari Ahok. Pada penelitian ini digunakan metode
Support Vector Machine untuk mengetahui kinerja gubernur berdasarkan class positive, neutral dan negatitive,
data yang digunakan pada penelitian ini adalah 1000 record data. Untuk melakukan riset atas opini masyarakat
yang mengandung sentiment positive, neutral, atau negative, maka terdapat beberapa preprocessing data yakni,
tokenisasi, cleansing dan filtering, dan untuk menentukan persentase class sentimen dengan metode Lexicon
Based. Dari penelitian ini didapatkan nilai akurasi sebagia berikut, accuracy 84%, precision 91%, recall 80%,
TP rate 91.1 dan TN rate 44.8%.
Keywords : Youtube; Analysis sentiment; Support Vector Machine; Opinion mining; Lexicon based.
I. INTRODUCTION
Opinion mining merupakan analisis opini dari
suatu pola atau mood terhadap orang atau topic
tertentu, hal seperti ini yang sering disebut sentiment
[2]. Demi menyatakan setiap pernyataan atau
pendapat sentiment dari masyarakat, maka media
paling dan mudah digunkan adalah internet. Tidak
dipungkiri bahwa banyak ditemukan pernyataan
komentar terhadap kinerja Ahok terjadi pada media
sosial Yotube. Terkait
Proses mencari atau melacak bahasa alami untuk
menemukan pola atau mood masyarakat terhadap
produk, orang atau topik tertentu atau yang bisa
disebut dengan Analisa sentimen. Analisa sentimen
juga sering disebut dengan opini maning.[1] Analisis
sentimen telah banyak menerima perhatian semenjak
penelitian Pang, Turney, Goldberg dan Zhu. Teknik
analisis sentimen dapat mendukung banyak
keputusan dalam banyak skenario. Penelitian ini
menggunakan tiga class attribute, yaitu positif, nertal
dan negatif, karena di internet komentar yang muncul
dapat berupa komentar positif, netral dan negatif.[2]
Dihasilkanya sebuah informasi dari data opini
yang ada, maka dilakukan pengolahan data dengan
analisis sentimen. Sentiment Analysis menjadi solusi
atau metode yang tepat pada permasalahan yang
telah dipaparkan sebelumnya, yaitu dengan
memisahkan opini ke dalam kelas bersentimen
positif, netral atau negatife, sehingga dilakukan
pengambilan kesimpulan bahwa opinion mining apa
yang lebih dominan pada penelitian ini. Terkait riset
ini, maka batasan waktu pengambilan data
komentarnya adalah dari tahun 2015 sampai 2016.
Pada penelitian ini diusulkan sebuah model
sentiment analysis dalam menentukan kinerja Ahok
adalah metode Support Vector Machine (SVM).
SVM memiliki beberapa kriteria yang ditentukan
untuk melihat tingkat keakuratan penentuan kinerja
gubernur Ahok.
II. PENELITIAN TERKAIT
Analysis sentiment memiliki frase "opini
mining" dalam dua hal, yakni 1). Analisis
dan teks evaluative, dan 2). Pelacakan penilaian
prediktif.[3] Analisis sentimen merupakan proses
mengambil dan favorability bahasa alami.[3]
Penelitian A survey of opinion mining and sentiment
analysis oleh Bing Li dan Lei Zhang dari University
of Illinois at Chicago menyatakan bahwa analisis
sentimen atau opinion mining adalah studi
perhitungan pendapat orang terhadap penilaian sikap,
emosi, entitas, individu, isu, peristiwa, topik dan
atribut tertentu.[4] Sentiment analysis bertujuan
untuk proses pengambilan keputusan dengan
mengekstraksikan opini teks yang mengandung opini
positif, netral dan negatif dengan menghitung bobot
opini yang terkandung,[4][5]. Dengan adanya
opinion mining (sentimen analisa) dapat
mengekstraksikan data secara tekstual dan mengolah
data secra otomatis sehingga didapatkan sebuah
informasi opini atau peristiwa tertentu [4][5][6].
Support Vector Machine (SVM) adalah suatu
metode yang sangat berkembang pesat saat ini dan
banyak digunakan dalam studi penelitian yang terkait
dengan analysis sentiment. Methodological study of
opinion mining and sentiment analysis techniques.[7]
Opinion extraction of public figure based on
sentiment analysis in twitter.[8] Recognizing
contextual polarity an exploration of features for
phrase-level sentiment analysis.[9] The importance
of neutral examples for learning sentiment.[10]
Support vector machines yang didukung k-means
clustering dalam klasifikasi dokumen.[11]
Berdasarkan penelitan terkait diatas, maka peneliti
mengusulkan metode Support Vector Machine
(SVM) untuk melihat kinerja gubernur Ahok. SVM
digunakan dalam proses pengambilan data, analisis,
sampai dengan pengambilan kesimpulan.
Data KomentarAnalysis
SVMPre - Processing
Cleansing
Filtering
Stop – word
removing
Uji Validasi Hasil
Fig 1. Proses Analisis Sentimen
III. MODEL SVM UNTUK ANLISA
SENTIMEN
Pada tahap penelitian ini dilakukan pengambilan
data dengan metode snipping data dan data yang
diambil sebanyak 1000 record data, secara random
yang sesui dengan kinerja Ahok. Batasan waktu pada
pengambilan data adalah dari tahun 2015 samapai
tahun 2016. Data yang diambil dan digolongkan atas
tiga class yakni opinion positive, opinion neutral dan
opini negative. Data tersebut diekstraksi dan
dianalisa menggunakan metode SVM. Penggunaan
data pada penelitian adalah data teks komentar yang
berbahasa Indonesia dan diamabil dari media sosial
Youtube.
Sebelumnya dilakukan proses pengelompokan
dokumen, yakni mempersiapkan data teks yang
sering disebut pre – processing. Terdapat beberapa
tahap, yakni 1). Data Komentar; 2). Pre-Processing;
3) Tokenizing; 4) Determine Sentiment with Lexicon
Based.[12]
Data Komentar Pre - Processing Tokenizing
Determine Sentiment
with Lexicon Based
Hasil
(+) (0) (-)
Cleansing
Filtering
Stop – word
removing
Fig 3. Mode dan tahap penyelesain SVM analisa
sentiment.
1) Data komentar: data komentar didapatkan
dengan metode snipping, pada media social youtube,
dan data yang disnipping adalah teks komentar yang
berbahasa Indonesia. Dataset yang digunakan
sebanyak 1000 teks komentar dan terkait kinerja
Ahok.
2) Pre-Processing: pada tahap pre-processing
terdapat tahap cleansing dan filtering. Proses
pemilahan kalimat bertujuan mengurangi kalimat
noise sehingga didapatkan kualitas data yang
dibutuhkan.[14] Cleansing juga untuk menghapus
tautan dan simbol.[15] Proses pengambilan kata –
kata penting dengan cara menghapus kata yang tidak
penting (Stop-word removing), sering juga disebut
sebagai term yang tidak berhubungan (irrelevant)
dengan subyek utama dari database, meskipun kata
tersebut sering kali muncul di dalam dokumen.[16]
Berikut ini adalah contoh beberapa kalimat stop-
word removing.[14][15][16]
Adanya Pak Ahok, Jakrta jadi bersih
Hasil filtering
Hasil tokenizing
Bagus
dengan
ada
nya
Pak
ahok
Jakarta
Jadi
bersinar
Fig 4. Stop-word removing
Untuk model cleansing, akan terlihat seperti tabel
dibawah ini :
Table 1. Proses cleansing
Komentar Hasil cleansing
wiih...tegas ....dan
tersparan.... pak ahok
Pak Ahok Tegas dan
Transparan
3) Tokenizing: merupakan proses pembersihan
dan pemotongan kata berdasarkan tipe kata yang
tersusun untuk dihilangkan tanda baca, space, serta
dihilangkan jika terdapat simbol atau apapun yang
bukan huruf.[17][20]
Table 2. Proses Tokenizing.
Teks Komentar Hasil Tokenizing
adanya pak ahok
Jakarta menjadi bersih
Ada
pak
ahok
jakarta
jadi
bersih
4) Determine Sentiment with Lexicon Based:
digunakannya lexicon based untuk menentukan
sentimen suatu kalimat opini. Penentuan dilakukan
dengan penjumlahan n skor polaritas kata opini p
yang mengomentari fitur f. Skor polaritas suatu kata
opini p akan bernilai 1 jika kata tersebut adalah kata
opinion positive, dan bernilai -1 jika kata tersebut
adalah kata opinion negative, dan didasarkan pada
table lookup.[17] Kata yang mengandung positif,
negatif dan netral di dalam sebuah kalimat, akan
dihitung bobot nilai yang terkandung dalam kalimat
tersebut yang dilakukan dengan menjumlahkan nilai
kata opini. Jika jumlah nilai opini dalam kalimat
tersebut = 1, maka nilai sentimen dari kalimat
tersebut adalah positif, jika nilai opini dalam kalimat
tersebut = 0, maka nilai sentimen dari kalimat
tersebut adalah netral, jika nilai opini dalam kalimat
tersebut = -1, maka nilai sentimen dari kalimat
tersebut adalah negatif.[17]
Table 3. Proses Lexicon Based
Sentiment Value
Positif 1
Netral 0
Negatif -1
Berdasarkan empat kriteria dasar SVM pada tabel
3, maka akan dilakukan evalusi perfoma akurasi,
Precision dan Recall dari eksperimen yang telah
dilakukan pengujian guna memprediksi data yang
benar dan data yang salah.[19] Evalusai dilakukan
dengan Confusion Matrix yaitu True Positive rate
(TP rate) adalah class positive yang berhasil
diklasifikasikan sebagai class positive, True Negative
rate (TN rate) adalah class negative yang berhasil
diklasifikasikan sebagai class negative, False Positive
rate (FP rate) adalah class negative yang
diklasifikasikan sebagai class positive dan neutral,
False Negative rate (FN rate) adalah class positive
yang diklasifikasikan sebagai class negative dan
neutral. [17]
Table 4. Confusion Matrix
Nilai sebenarnya
True False
Nilai
Prediksi
True
TP
(True
Positive)
Correct result
FP
(False
Positive)
Unexpected
result
False
FN
(False
Negative)
Missing
result
TN
(True
Negative)
Correct
absence of
result
(1)
Pada persamaan Confusion Matrix (1) dilakukan
perhitungan real persentase berdasarkan hasil yang
didapat, dimana model perhitungan mengacu pada
hasil dari data perhitungan pembobotan sentimen
yang dihitung menggunakan metode lexicon based,
sehingga dilakukan precision, recall dan accuracy.
Seperti terlihat pada rumus dibawah ini.
percison =TP
TP + FP
recall =TP
TP + FN
accuracy =TP + TN
TP + TN + FP + FN
(2)
TR rate =TP
Total positive sesungguhnya
TR rate =TN
Total negative sesungguhnya
(3)
Persamaan (2) dilakuan perhitungan pembobotan
akurasi untuk melihat hasil True Positive rate (TP
rate) dan True Negative rate (TN rate) sehingga
dapat diketahui hasil analisa kinerja Ahok. Pada
persamaan (3) bertujuan menghitung bobot
parsentase performa kinerja Ahok.
IV. HASIL DAN PEMBAHASAN
Pilihan dalam proses pengambilan data penelitian
adalah data text komentar kinerja gubernur Ahok
yang terdapat pada media sosial youtube. Proses
pengambilan data teks komentar menggunakan
metode snipping. Data diambil secara random
berdasarkan vidio hasil postingan yang ada pada
media sosial youtube. Pada proses snipping data
dikelompokan menjadi tiga kelas yakni, positive
class, neutral class dan class negative. Proses
penyelesaian penelitian ini digunakan metode
Support Vector Machine.
Proses klasifikasi pada penelitan ini terdapat
beberapa tahap, yakni 1). Persiapan data. Data yang
digunakan adalah file data teks. Setiap record data
didasarkan atas class masing – masing (negative,
netral dan positive). 2). Dilakukan pre-processing,
yaitu stop – word remove (cleansing) atau sering
disebut sebagai normalisasi, dengan tujuan
meghilangkan atau berubah setiap kalimat yang
tidak baku menjadi kalimat baku. 3). Tokenizing
merupakan proses pembersihan dan pemotongan
kata berdasarkan tipe kata yang tersusun untuk
menghapus bagian yang tidak penting. 4). Proses
lexicon based digunakan untuk menentukan sentimen
suatu kalimat opini. Penentuan dilakukan dengan
penjumlahan n skor polaritas kata opini p yang
mengomentari fitur f. Skor polaritas suatu kata opini
p akan bernilai 1 jika kata tersebut adalah kata opini
positif, bernilai -1 jika kata tersebut adalah kata
opini negatif dan bernilai 0 jika kata tersebut
beropini netral.[17]
Sebagai contoh hasil keluaran dari proses snipping
data teks komentar dari social media youtube yang
sudah dilakukan dan telah disimpan dalam database.
Seperti terlihat pada gambar 5 dibawah ini.
Fig 5. Hasil snipping komentar.
A. Implementasi Metode Support Vector Machine
Dataset pada penelitian ini dikumpulkan dari
media sosial youtube dengan metode snipping data
teks komentar. Data diambil berupa teks berbahasa
Indonesia, yaitu komentar dengan kata kunci kinerja
gubernur Ahok. Data diambil secara random online
di yotubeu.
Dataset yang digunakan sebanyak 1000 teks
komentar, data dibagi secara seimbang (balanced)
setiap kelasnya, karena dengan data yang tidak
seimbang (unbalanced), klasifikasi yang dibangun
memiliki kecenderungan untuk mengabaikan
minority class.[17] Data dibagi menjadi tiga class
yakni, positive, neutral dan negative. Pemberian label
dilakukan dengan metode lexicon based.
B. Analisa Lexicon Based
Hasil analisis sentimen kinerja Gubernur Ahok
menggunakan metode lexicon based dengan tiga
class atribut.
Table 5. Hasil Analisis Lexicon Based
Sentimen Kinerja Ahok
Sentimen Hasil analisis Data sebernarnya
Positif 678 744
Netral 192 22
Negatif 105 234
Jumlah data cocok adalah 805
Jumlah data tidak cocok adalah 195
C. Analisa Confusion Matrix
Perhitungan nilai akurasi analisis terhadap hasil
perhitungan yang telah dilakukan menggunakan
metod SVM, maka perlu dilakukan evaluasi
performa accuracy, precision dan recall dari
eksperimen dengan metode confusion matrix.
Evaluasi dilakukan menggunakan Confusion Matrix
yaitu True Positive rate (TP rate), True Negative rate
(TN rate), False Positive rate (FP rate) dan False
Negative rate (FN rate) sebagai indikator. TP rate
adalah persentase dari class positive yang berhasil
diklasifikasi sebagai class positive, sedangkan TN
rate adalah persentase dari class negative yang
berhasil diklasifikasi sebagai class negative. FP rate
adalah class negative yang diklasifikasi sebagai class
positive. FN rate adalah class positive yang
diklasifikasi sebagai class negative.[18]
Table 6. Hasil analisa Confusion Matrix
Nilai sebenarnya
Positive Negative
Prediksi Positive tp678
fp129
Negative fn
66 tn105
Pada persamaan confusion matrix (1) dilakukan
perhitungan real persentase berdasarkan hasil yang
telah didapat. Pada persamaan (2), dilakukan
perhitungan pembobotan akurasi untuk melihat hasil
dari true Positive Rate (TP rate) dan True Negative
rate (TN rate).[18] Hasil analisanya adalah kinerja
gubernur Ahok adalah sebagai berikut :
Tabel 7. Hasil klasifikasi sentiment kinerja Ahok
Hasil Klasifikasi Sentiment Accuracy
(%) Precision
(%) Recall
(%) TP rate
(%) TN rate
(%)
84% 91% 80% 91.1% 44.8%
Pada tabel 7. memberikan informasi mengenai
accuracy, recall, TP rate dan TN rate dari masing-
masing data hasil uji coba berdasarkan 1000 data
komentar. Dari proses data pre-processing
menghasilkan sejumlah token yang kemudian
digunakan sebagai input proses klasifikasi
menggunakan metode SVM.
Fig 6. Performa sentimen kinerja Ahok
Pada Gambar 6. nilai accuracy, precision, recall,
TP rate dan TN rate diuji dengan metode Support
Vector Machine (SVM). Nilai dari accuracy 84%,
precision 91%, recall 80%, TP rate 91.1% dan TN
rate 44.8%. TN rate berbanding terbalik dengan TP
rate, diman TN rate didapatkan bobot persentase
44.8%, sedangkan TP rate 91.1%
Nilai akurasi adalah salah satu parameter penilaian
dari metode yang telah digunakan, nilai akurasi
didapat dari jumlah banyaknya data (1000 data) yang
berhasil diklasifikasikan dengan benar sesuai kelas
sentimen dari seluruh jumlah data yang diklasifikasi.
V. KESIMPULAN
Support Vector Machine (SVM) digunakan untuk
melihat analisa sentiment kinerja gubernur Ahok.
Terdapat empat proses yakni, Data Komentar, Pre-
Processing, Tokenizing dan Determine Sentiment
with Lexicon Based.[12] Menghitung bobot
persentase pada penelitian ini digunakan juga
Lexicon Based dan Confusion Matrix untuk
mengetahui hasil pembobotan persentase analisa
terhadap SVM.
Sentiment analisa dapat digunakan untuk
mengetahui seajuh mana kinerja gubernur Ahok
berdasarkan hasil komentar netizen pada media sosial
youtube. Hasil klasifikasi nilai pembobotan sesuai
84%91%
80%91.1%
44.8%
Accuracy Precision Recall TP Rate TN Rate
Performa Sentiment
Kinerja Ahok
metode Support Vector Machin (SVM) menyatakan
bahwa nilai dari True Positive rate adalah 91.1%
berdasarkan data komentar yang diambil dari tahun
2015 sampai dengan 2016.
Demi pengembangan penelitan selanjutnya perlu
dicoba record data yang jauh lebih banyak demi
keakuratan penarikan kesempulan pada sebuah
analisa opinion mining.
REFERENCES
1. G.Vinodhini ., RM.Chandrasekaran ., “Sentiment
Analysis and Opinion Mining: A Survey”,
International Journal of Advanced Research in
Computer Science and Software Engineering,
Issue Volume 2, 2012.
2. Anto Satriyo Nugroho., Arief Budi Witarto., Dwi
Handoko., “Support Vector Machine - Teori dan
Aplikasinya dalam Bioinformatika1”, 2003.
3. Bo Pang., Lillian Lee., “Opinion Mining and
Sentiment Analysis” Vol 2, 2008.
4. Bing Li,. Lei Zhang., “A survey of opinion
mining and sentiment analysis” University of
Illinois at Chicago, 2012.
5. Aamera Z.H.Khan,. Mohammad,. Atique,. V. M.
Thakare,. “Combining Lexicon-based and
Learning-based Methods for Twitter Sentiment
Analysis” National Conference on Advanced
Technologies in Computing and Networking –
ATCON, 2015.
6. Imam Fahrur Rozi., Sholeh Hadi Pramono., Erfan
Achmad Dahlan., “Implementasi Opinion Mining
(Analisis Sentimen) untuk Ekstraksi Data Opini
Publik pada Perguruan Tinggi” Jurnal EECCIS
Vol. 6, 2012.
7. M.Tech., “Methodological Study Of Opinion
Mining And Sentiment Analysis Techniques”,
International Journal on Soft Computing (IJSC)
Vol. 5, No. 1, 2014.
8. Nur Hayatin., Mustika Mentari., Abidatul Izzah.,
“Opinion Extraction of Public Figure Based on
Sentiment Analysis in Twitter”, Journal of
Engineering, Vol. 1, No. 1, 2014.
9. Theresa Wilson., JanyceWiebe,. Paul Hoffmann,.
“Recognizing Contextual Polarity, Eksplorasi
Fitur Untuk Frase – Level AnalisisSentimen”,
Association for Computational Linguistics, Vol.
35, 2008.
10. Moshe Koppel., Jonathan Schler,. ”The
Importance Of Neutral Examples For Learning
Sentiment”, Computational Intelligence, Vol. 22,
Number 2, 2006.
11. Ahmad Yusuf., Tirta Priambadha., “Support
Vector Machines Yang Didukung K-Means
Clustering Dalam Klasifikasi Dokumen”, Jurnal
Ilmiah Teknologi Informasi (JUTI), Vol.11, No.
1, 2013.
12. Oman Somantri., Slamet Wiyono.,
Dairoh.,“Optimalisasi Support Vektor Machine
(Svm) Untuk Klasifikasi Tema Tugas Akhir
Berbasis K-Means” Telematika, Vol. 13, No. 02,
Pp. 59 – 68 ISSN 1829-667X, 2016.
13. Ni Wayan Sumartini Saraswati., “Text Mining
Dengan Metode Naïve Bayes Classifier Dan
Support Vector Machines Untuk Sentiment
Analysis”, Universitas Udayana Denpasar,
Indonesia, 2011.
14. Falahah., Dyar Dwiki Adriadi
Nur.,”Pengembangan Aplikasi Sentiment Analysis
Menggunakan Metode Naïve Bayes (Studi Kasus
Sentiment Analysis dari media Twitter)”Seminar
Nasional Sistem Informasi Indonesia, 2015.
15. Nuvirta Monarizqa., Lukito Edi Nugroho., Bimo
Sunarfri Hantono., “Penerapan Analisis Sentimen
Pada Twitter Berbahasa Indonesia Sebagai
Pemberi Rating”, Artikel Reguler, Vol. 1, nomor
3, 2014.
16. Elly Susilowati.,Mira Kania Sabariah, ST., MT.,
Alfian Akbar Gozali, ST., MT., “Implementasi
Metode Support Vector Machine Untuk
Melakukan Klasifikasi Kemacetan Lalu Lintas
Pada Twitter”, ISSN : 2355-9365 e-Proceeding of
Engineering : Vol.2, No.1 Page 1478, 2015.
17. Ghulam Asrofi Buntoro., “Analisis Sentimen
Calon Gubernur DKI Jakarta 2017 Di Twitter”,
Universitas Muhammadiyah Ponorogo, Article,
2017.
18. Luh Ria Atmarani.,I.A. Dwi Giriantari., Made
Sudarma., “Sistem Opinion Mining dengan
Metode Pos Tagging dan SVM Untuk Ekstraksi
Data Opini Publik pada Layanan JKBM”
Teknologi Elektro, Vol. 16, No1, 2017.
19. Ika Menarianti., “Klasifikasi Data Mining Dalam
Menentukan Pemberian Kredit Bagi Nasabah
Koperasi” Jurnal Ilmiah Teknosains, Vol. 1 No. 1,
ISSN 2460-9986, 2015.
20. Lila Dini Utami., Romi Satria Wahono.,
“Integrasi Metode Information Gain Untuk
Seleksi Fitur dan Adaboost Untuk Mengurangi
Bias Pada Analisis Sentimen Review Restoran
Menggunakan Algoritma Naïve Bayes”, ISSN
2356-3982 Journal of Intelligent Systems, Vol. 1,
No. 2, 2015.
AUTHOR PROFILES: Fiktor Imanuel Tanesab, was born in
Kefamenanu, East Nusa Tenggara. Recently
graduated as Bachelor of Computer Science from
STIKOM Uyelindo Yelindo Kupang, Indonesia.
Fiktor is currently finishing his post-graduate study
in Information System master program in the
Faculty of Technology and Information, Satya
Wacana Christian University
Irwan Sembiring, Completed his undergraduate
program in UPN “Veteran” Yogyakarta, majoring
in Information Technology in 2001, pursued higher
degree in School of Computer Science and
Electronics Gadjah Mada University, Yogyakarta,
Indonesia and received Master Computer in 2004.
Doctor in Computer Sciences from Gadjah Mada
University, Yogyakarta, Indonesia, Now he is a
lecturer at faculty of information technology Satya
Wacana Christian University, Salatiga Indonesia.
His research interests include Network Security
and Digital Forensic.
Hindriyantodwi Purnomo,is a senior lecturer at
Satya Wacana Christian University, Indonesia. He
received his doctoral degree from Department of
Industrial and System Engineering, Chung Yuan
Christian University, Taiwan. His research interests
are in the field of applied soft computing and
numerical optimization. His research has been
published in several reputable international
journals.
Top Related