Analisis Genre Film Berdasarkan Data Subtitle
on
JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 4, No. 2 August 2023
Analisis Genre Film Berdasarkan Data Subtitle
Nathania Novenrodumetasaa1, I Made Agus Dwi Suarjayaa2, I Made Sunia Raharjab3
aProgram Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Bali, Indonesia e-mail: 1 nathania@student.unud.ac.id , 2 agussuarjaya@it.unud.ac.id ,
Abstrak
Film merupakan sekumpulan gambar yang mengalami banyak pemrosesan editing untuk mencapai hasil yang memuaskan. Film memiliki genre yang berfungsi untuk membedakan jenis film dan banyak film yang ternyata tidak sesuai dengan genre yang ada pada film tersebut. Berdasarkan masalah yang disebutkan tujuan dilakukan penelitian ini yaitu untuk menganalisis genre film berdasarkan data subtitle dari film. Tahap-tahap yang dilakukan dalam penelitian ini yaitu pengumpulan data subtitle, penggabungan kata menjadi kalimat, proses labelling, preprocessing, klasifikasi dan visualisasi. Bahasa pemrograman yang digunakan adalah Python, algoritma yang digunakan untuk klasifikasi adalah Naïve Bayes Classifier dan Random Forest dan visualisasi menggunakan Tableau. Dari penelitian ini diperoleh hasil akurasi menggunakan algoritma Random Forest lebih tinggi yaitu 0.841 dibandingkan dengan hasil akurasi Naïve Bayes yaitu 0.682. Salah satu hasil klasifikasi genre terbaik menggunakan Random Forest yaitu film A Recipe for Seduction yang memiliki klasifikasi genre Mystery, Romance dan Thriller.
Kata kunci: Film, Genre, Subtitle, Naïve Bayes Classifier, Random Forest
Abstract
Films are a collection of images that undergo a lot of editing processing to achieve satisfactory results. Films have a genre that serves to distinguish the types of films and many films that do not seem to fit the genre. Based on the problem mentioned, the purpose of this study was to analyze the film genre based on the subtitled data from the film. The steps taken in this study were the collection of subtitled data, combining words into sentences, labelling processes, preprocessing, classification and visualization. The programming language used is Python, the algorithm used for classification is Naveve Bayes Classifier and Random Forest and visualization using Tableau. From this study, the accuracy results using Random Forest algorithm were higher at 0.841 compared to the Naveve Bayes accuracy of 0.682. One of the best genre classifications using Random Forest is the film A Recipe for Seduction which has the genre classifications Mystery, Romance and Thriller.
Keywords : Film, Genre, Subtitle, Naïve Bayes Classifier, Random Forest
Film merupakan salah satu media hiburan yang disenangi oleh masyarakat luas. Film dapat dinikmati oleh masyarakat dari berbagai cara misalkan dengan menontonnya di televisi bioskop maupun internet. Film memiliki genre yang berfungsi untuk membedakan jenis film dan banyak film yang ternyata tidak sesuai dengan genre yang ada pada film tersebut. Film bisa memiliki lebih dari satu genre yaitu satu sebagai genre utama dan genre lain sebagai pendukung. Macam-macam genre yang diketahui pada umumnya yaitu action, romance fantasy, thriller, horror, comedy dan masih banyak lagi.
Berdasarkan dari jurnal ilmiah yang berjudul Comparative Analysis of The Competitiveness between Indonesian Movies against International Movie, masyarakat Indonesia lebih banyak meminati film impor daripada film lokal, hal tersebut didukung dengan faktor-faktor yang mempengaruhi seseorang dalam memilih film yang akan ditonton [1]. Beberapa faktor yang
dapat mempengaruhi keputusan tersebut seperti genre, aktor atau aktris yang membintangi film tersebut dan rumah produksi.
Dikarenakan banyaknya ketertarikan masyarakat Indonesia pada film impor dibutuhkannya terjemahan agar masyarakat bisa mengetahui inti dari film tersebut. Ada dua macam terjemahan yang biasa digunakan yaitu Subtitling dan Dubbing [7]. Dubbing adalah terjemahan dalam bentuk audio dengan merekam ulang suara pada film dan menyesuaikannya sedangkan Subtitling adalah terjemahan berbentuk teks yang biasanya terdapat pada bagian bawah film. Dengan adanya terjemahan, penonton menjadi lebih mudah untuk mengerti alur cerita dengan membaca subtitle tersebut atau dengan mendengarkan percakapan pada film dengan Bahasa sesuai dengan tempat film tersebut ditayangkan. Subtitle film tidak hanya berfungsi untuk menerjemahkan Bahasa yang digunakan pada film, tetapi dapat membantu anak-anak berlatih membaca dan bermanfaat untuk penonton disabilitas tuli, autisme, hingga disleksia.
Metode yang digunakan untuk mengklasifikasikan genre pada penelitian ini adalah klasifikasi menggunakan Naïve Bayes dan Random Forest. Pada penelitian yang dilakukan oleh Nikhil Kumar Rajput dan Bhavya Ahuja Grover [6] mendeteksi genre berdasarkan subtitle menggunakan english subtitle. Penelitian ini menggunakan 964 film dari 6 genre yaitu action fantasy, horror, romance, sports dan war dan menggunakan 6 model dan algoritma yang digunakan yaitu Logistic Regression, Support Vector Machine, Naïve Bayes Classifier, Decision Tree, Neural Network dan K-Nearest Neighbor. Hasil yang diperoleh dari penelitian ini yaitu hasil rata-rata yang didapat berada di antara 70-80% dengan menggunakan neural network dan diperoleh hasil yang bagus dengan menggunakan logistic regression dan KNN dengan hasil 70-80% dan NN mempunyai hasil 77%.
Pada penelitian ini memiliki beberapa tahap yaitu pengumpulan data, pembuatan kalimat, labelling, preprocessing, pembuatan model, klasifikasi dan visualisasi. Pada tahap pengumpulan data menggunakan web scraping data yang diambil dari website berupa file subtitle berbahasa Inggris yang akan digunakan untuk penelitian. Tahap selanjutnya yaitu menggabungkan kata pada file subtitle menjadi kalimat agar dapat dilakukan proses labelling. Pada tahap berikutnya yaitu proses labelling, kalimat yang sudah ada diberikan label genre yang sesuai dengan kalimat tersebut. Selanjutnya data akan dilakukan preprocessing terlebih dahulu untuk membersihkan data yang akan digunakan. Setelah preprocessing, data yang sudah di lakukan labelling dan preprocessing akan digunakan sebagai dataset untuk pembuatan model menggunakan algoritma Naïve Bayes dan Random Forest. Tahap selanjutnya yaitu mengklasifikasikan data subtitle yang belum memiliki genre akan dilakukan klasifikasi menggunakan model yang sudah dibuat memakai algoritma Naïve Bayes dan Random Forest. Tahap terakhir yaitu visualisasi, data yang dipakai adalah data dari hasil klasifikasi yang sudah dilakukan.
Hasil implementasi Naïve Bayes Classifier dan Random Forest pada proses klasifikasi genre memiliki hasil akurasi yang berbeda, algoritma Random Forest memiliki akurasi lebih tinggi dibandingkan dengan Naïve Bayes. Hasil akurasi pengujian algoritma Random Forest adalah 0.841, sedangkan hasil akurasi algoritma Naïve Bayes adalah 0.682. Dari hasil klasifikasi genre berdasarkan data subtitle didapatkan pembagian genre sesuai dengan kalimat yang sudah dibagi pada data subtitle. Dengan akurasi klasifikasi terbaik yang dilakukan dengan metode Random Forest, dapat diketahui lebih banyak genre alternative dari suatu film.
Penelitian ini dilakukan menggunakan dua algoritma yaitu Naïve Bayes dan Random Forest untuk mengklasifikasikan genre pada data subtitle. Langkah-langkah implementasi model pada penelitian adalah melakukan scrapping data, pembuatan kalimat dari data subtitle melakukan labelling untuk data yang akan digunakan untuk pembuatan model, melakukan preprocessing pada data yang sudah dilabeli, pembuatan model menggunakan dua metode Naïve Bayes dan Random Forest, kemudian melakukan training dan testing.
Gambar 1. Gambaran Umum Penelitian
Gambar 1 merupakan gambaran umum pada penelitian ini. Pada tahap pengumpulan data menggunakan web scraping data yang diambil dari website berupa file subtitle berbahasa Inggris yang akan digunakan untuk penelitian. Data subtitle yang didapatkan dari website berisikan waktu penempatan subtitle dan teks subtitle. Tahap selanjutnya yaitu menggabungkan kata pada file subtitle menjadi kalimat agar dapat dilakukan proses labelling. Pada proses berikutnya yaitu proses labelling, kalimat yang sudah ada diberikan label genre yang sesuai dengan kalimat tersebut. Data subtitle yang sudah dilabeli akan dilakukan preprocessing terlebih dahulu untuk membersih kan data yang akan digunakan saat analisis data. Selanjutnya pada proses klasifikasi dilakukan menggunakan algoritma Naïve Bayes Classifier dan Random Forest untuk mengklasifikasikan genre pada data film. Tahap terakhir yaitu visualisasi hasil dari klasifikasi akan divisualisasikan untuk memudahkan orang awam membaca hasil dari klasifikasi yang telah dilakukan.
Web Scraping merupakan salah satu teknik untuk mengumpulkan data dari halaman internet. Website yang akan di lakukan scrape (proses web scraping) adalah website yang berisikan data teks subtitle untuk sebuat film. Pada penelitian ini dilakukan web scraping pada website Podnapisi yang merupakan web yang berisikan kumpulan data subtitle. Scraping dilakukan pada web Podnapisi dikarenakan dapat lebih mudah diakses dan juga memiliki variasi Bahasa yang banyak pada data subtitle yang tersedia di website tersebut.
Pada tahap ini dilakukan penggabungan kata menjadi kalimat setelah data terkumpul. Data yang digunakan adalah data berformat .srt atau .csv yang berisikan teks subtitle dan waktu penempatan teks subtitle. Pada tahapan ini kata pada teks subtitle akan digabungkan menjadi kalimat menggunakan pemisah antar kalimat yang akan dibuat yaitu waktu antara teks subtitle.
Pada tahap ini dilakukan proses labelling pada kalimat yang sudah dibentuk pada tahap sebelumnya. Proses labelling genre dilakukan secara manual pada setiap kalimat. Proses labelling dilakukan untuk mempersiapkan data training berisikan subtitle yang sudah memiliki label dan diketahui apa saja genre yang dimiliki.
Pada tahap preprocessing, data subtitle akan melalui beberapa proses yaitu case folding, cleansing, tokenizing dan stopwords removal. Case folding dilakukan untuk mengubah semua huruf yang ada menjadi huruf kecil, cleansing dilakukan untuk membersihkan dan merapikan data, tokenizing dilakukan untuk memisahkan setiap kata yang ada pada setiap baris dan stopwords removal dilakukan untuk mengambil kata-kata penting dan membuang kata yang tidak mempunyai arti berdasarkan daftar stopwords yang ada.
Pada tahap ini data subtitle yang sudah di lakukan labelling dan preprocessing akan digunakan sebagai dataset untuk pembuatan model menggunakan algoritma Naïve Bayes dan Random Forest.
Pada tahap ini data subtitle yang belum memiliki genre akan dilakukan klasifikasi menggunakan model yang sudah dibuat memakai algoritma Naïve Bayes dan Random Forest. Hasil dari proses klasifikasi akan berupa klasifikasi genre dari setiap baris pada data subtitle.
Pada tahap ini hasil dari klasifikasi yang telah dilakukan akan dibuatkan visualisasi dan dibuat menggunakan Tableau. Visualisasi dengan Tableau adalah proses membuat grafik diagram, dan tampilan visual lainnya yang menggambarkan data secara jelas dan menarik menggunakan perangkat lunak Tableau.
Kajian pustaka adalah proses menghimpun dan memahami berbagai teori yang relevan dengan permasalahan yang ingin diteliti. Beberapa topik yang dibahas dalam kajian pustaka ini meliputi Web Scraping, Python, Machine Learning, serta Naive Bayes dan Random Forest.
Web Scraping merupakan teknik untuk mengekstraksi data dari sebuah web dan kemudian data yang sudah diekstraksi akan disimpan pada sebuah file atau sebuah basis data. Web Scraping dapat dilakukan otomatis menggunakan bot atau crawler web atau secara manual [3]. Melakukan web scraping secara manual memiliki beberapa cara yang dapat dilakukan yaitu menggunakan Regular Expression, parsing DOM, parsing HTML dan menggunakan XPath. Tujuan pengambilan data menggunakan Teknik web scraping yaitu bagaimana cara dalam mendapatkan data/informasi melalui penarikan dan ekstraksi data dengan size yang beragam yang diambil pada website dan digunakan bagi kepentingan lain [5].
Bahasa pemrograman Python merupakan salah satu Bahasa pemrogrmana yang dapat melakukan eksekusi sejumlah instruksi secara langsung dengan metode orientasi objek. Python pertama kali dikenalkan kepada public pada tahun 1991 oleh programmer berkebangsaan dari Belanda yaitu Guido van Rossum. Keunggulan menggunakan Bahasa pemrograman Python menurut [4] yaitu mudah digunakan dalam pengembangan sebuah produk perangkat lunak perangkat keras, Internet of Things (IoT), aplikasi web, maupun video game, kode mudah dipahami dan bahasa pemrograman ini memiliki library yang sangat banyak dan merupakan Bahasa yang mendukung ekosistem Internet of Things dengan sangat baik.
Machine learning merupakan salah satu cabang dari artificial intelligence (AI) atau kecerdasan buatan. Machine learning adalah mesin pembelajaran yang dirancang untuk belajar secara otomatis tanpa instruksi pengguna. Machine learning didasarkan pada matematika statistik, penambangan data, dan ilmu lainnya. Machine learning pertama kali dikemukakan oleh beberapa ahli matematika yaitu Adrien Marie Legendre, Thomas Bayes dan Andrey Markov di tahun 1920-an dengan mengemukakan dasar-dasar machine learning dan konsepnya. Machine learning memiliki dua algoritma yaitu supervised learning dan unsupervised learning.
Naive Bayes atau yang dikenal juga Naive Bayes Classifier merupakan metode pengklasifikasian yang menerapkan teknik supervised klasifikasi objek di masa depan dengan menetapkan label pada data menggunakan probabilitas bersyarat. Istilah supervised merujuk pada klasifikasi training data yang sudah diberi label. Manfaat dari menggunakan algoritma Naive Bayes adalah bahwa metode ini efisien dengan memerlukan jumlah data pelatihan yang relatif kecil untuk menentukan parameter estimasi yang dibutuhkan dalam proses klasifikasi.
Selain itu, Naive Bayes cenderung memberikan hasil yang lebih baik daripada yang diharapkan dalam berbagai situasi dunia nyata yang kompleks. Pada algoritma Naïve Bayes Classifier terdapat dua macam yaitu data jenis kategori dan data jenis numerik, dalam tahapan perhitungan datanya dapat dilihat pada gambar berikut [2].
Gambar 2. Flowchart Tahapan Algoritma Naïve Bayes
Gambar 2 merupakan flowchart tahapan menggunakan algoritma Naïve Bayes. Langkah pertama yang dilakukan yaitu membaca data training yang telah disediakan kemudian akan dihitung jumlah dan probabilitas dari data tersebut. Jika data yang digunakan numerik maka dilakukan perhitungan nilai mean atau rata-rata dan standar deviasi dari masing-masing parameter.
Random Forest adalah metode klasifikasi yang merupakan bagian dari decision tree. Metode ini menggabungkan beberapa pohon keputusan (decision trees) yang dikenal sebagai "forest" untuk membuat prediksi yang lebih akurat dan stabil. Berikut adalah langkah-langkah utama yang digunakan dalam penggunaan metode Random Forest:
-
1. Pengumpulan Data: Mengumpulkan data yang akan digunakan untuk data training yang terdiri dari input fitur dan output target.
-
2. Pemilihan Sampel: Dalam setiap iterasi, secara acak ambil sejumlah sampel dari data training dengan penggantian (bootstrap sampling).
-
3. Membangun Pohon Keputusan: Untuk setiap sampel yang diambil, dibangun pohon keputusan (decision tree). Saat membangun tree, pada setiap langkah dipilih fitur terbaik untuk membagi data dan dilakukan secara acak. Hal ini mencegah satu fitur yang kuat mendominasi proses pembelajaran.
-
4. Membangun Forest: Ulangi langkah ke-3 dengan sejumlah tree yang ditentukan sebelumnya untuk membentuk forest, di mana setiap tree dibangun dengan sampel yang berbeda secara acak.
-
5. Prediksi: Pada proses klasifikasi, prediksi akhir didasarkan pada mayoritas suara dari semua pohon dalam forest.
Pada bagian ini akan membahas mengenai hasil dari penelitian analisis genre film berdasarkan data subtitle yang diambil dari website Podnapisi. Data diambil sleanjutnya
dilakukan pembuatan kalimat kemudian disimpan di google drive. Analisis dilakukan di Google Collab dan Visualisasi dilakukan menggunakan Tableau.
Hasil pengujian model analisis dengan metode Naïve Bayes dan Random Forest menggunakan 5089 baris data kalimat subtitle yang sudah dilabeli menghasilkan nilai akurasi tertinggi sebesar 0.84 pada metode Random Forest. Berikut table hasil pengujian system pada table 1.
Tabel 1 Hasil Pengujian Model
|
Naïve Bayes |
Random Forest | |
|
Accuracy |
0.68 |
0.84 |
|
Precission |
0.71 |
0.85 |
|
Recall |
0.68 |
0.84 |
|
F1 |
0.62 |
0.83 |
Tabel 1 merupakan hasil pengujian model menggunakan metode Naïve Bayes dan Random Forest. Hasil pengujian menunjukkan model dengan metode Random Forest memiliki nilai akurasi lebih tinggi yaitu 0.84 dibandingkan dengan nilai akurasi dengan metode Naïve Bayes yaitu 0.68.
Hasil dari penelitian ini adalah mengklasifikasikan data subtitle film yang belum memiliki genre menggunakan metode Naïve Bayes dan Random Forest. Data subtitle film yang akan di klasifikasikan yaitu 458 film yang memiliki total 16728 baris.
|
Judul |
Tahun |
Genre | |
|
O |
1917.0 |
2019 |
[Action. Drama. Fantasy, Mystery. Romance, Thr... |
|
1 |
12 Mighty Orphans |
2021 |
[Action. Drama. Fantasy, Mystery. Romance, Thr... |
|
2 |
15 Minutes OfWar |
2019 |
[Action Drama, Fantasy, Horror, Romance. Thri |
|
3 |
400 Bullets |
2021 |
[Action, Drama, Horror, Mystery, Romance, Sci-... |
|
4 |
90 ML |
2019 |
[Drama, Fantasy. Romance, Thriller] |
|
454 |
Yalda A Night For Forgiveness |
2019 |
[Drama Fantasy. Romance, Thriller] |
|
455 |
You People |
2023 |
[Romance, Thriller] |
|
456 |
Your Place Or Mine |
2023 |
[Action, Drama. Romance, Thriller] |
|
457 |
Yuko No Tenbin |
2020 |
[Action. Drama, Fantasy, Romance. Sci-fi, Thri... |
|
458 |
it∑s a Wonderful Binge |
2022 |
[Romance, Thriller] |
|
Iudul |
Tahun |
Genre | |
|
O |
1917.0 |
2019 |
[Action. Drama, Fantasy, Horror Mystery Roma |
|
1 |
12 Mighty Orphans |
2021 |
[Action, Drama, Fantasy, Horror, Mystery, Roma... |
|
2 |
15 Minutes OfWar |
2019 |
[Action, Drama, Fantasy, Horror. Mystery. Roma... |
|
J |
400 Bullets |
2021 |
[Action. Drama. Fantasy, Horror. Mystery. Roma... |
|
4 |
90 ML |
2019 |
[Action, Drama, Fantasy, Horror, Mystery. Roma... |
|
454 |
Yalda A Night For Forgiveness |
2019 |
[Action. Drama, Fantasy, Horror Mystery Roma |
|
455 |
You People |
2023 |
[Action, Drama, Horror, Romance, Thriller] |
|
456 |
Your Place Or Mine |
2023 |
[Action. Drama. Fantasy. Horror. Romance] |
|
457 |
Yuko No Tenbin |
2020 |
[Action, Drama, Fantasy, Horror, Mystery, Roma... |
|
458 |
it_s a Wonderful Binge 2022 [Action, Drama, Horror. Romance. Thriller] Gambar 3. Hasil Klasifikasi Genre Setiap Judul Film | ||
Gambar 3 merupakan hasil dari penggabungan klasifikasi genre kalimat subtitle sesuai judul film. Pada gambar 3 dapat dilihat hasil klasifikasi genre yang didapat pada setiap film. Gambar bagian atas merupakan hasil klasifikasi menggunakan metode Naïve Bayes dan gambar bagian bawah merupakan hasil klasifikasi menggunakan metode Random Forest.
Gambar 4. Visualisasi Total Jumlah Per Genre Tahun 2019-2023
Gambar 4 merupakan visualisasi total jumlah persebaran per-genre film pada tahun 2019-2023. Dari total 406 Film, terdapat 388 film mempunyai genre ‘Action’, 390 film mempunyai genre ‘Drama’, 332 film mempunyai genre ‘Fantasy’, 390 film mempunyai genre ‘Horror’, 365 film mempunyai genre ‘Mystery’, 397 film mempunyai genre ‘Romance’, 217 film mempunyai genre ‘Sci-Fi’ dan 373 film mempunyai genre ‘Thriller’.
Grafik Persentase Genre per Tahun
100,00% 100,00%
75,68% 75,00%
H Action H Drama H Fantasy H Horror H Mystery
Romance
■ Sci-fi ■ Thriller
2019 2020 2021 2022 2023
Gambar 5. Grafik Persentase Genre Per Tahun 2019-2023
Gambar 4 merupakan visualisasi grafik persentase genre pada tahun 2019 hingga 2023. Pada grafik 4 dapat dilihat perbandingan genre yang tersebar pada setiap tahunnya yaitu pada tahun 2019 genre ‘Romance’ terdapat pada semua film yang ada pada dataset dan genre ‘Sci-Fi’ memiliki persentase paling rendah. Pada tahun 2020 terdeteksi genre ‘Romance’ mempunyai persentase paling tinggi dan genre ‘Sci-Fi’ memiliki persentase paling rendah Pada tahun 2021 terdeteksi genre ‘Drama’ terdapat pada semua film yang ada pada dataset dan genre ‘Sci-Fi’ memiliki persentase paling rendah. Pada tahun 2022 terdeteksi genre Drama’ dan ‘Romance’ mempunyai persentase paling tinggi dan genre ‘Sci-Fi’ memiliki persentase paling rendah. Pada tahun 2023 terdeteksi genre ‘Romance’ mempunyai persentase paling tinggi dan genre ‘Sci-Fi’ memiliki persentase paling rendah.
Hasil implementasi Naïve Bayes Classifier dan Random Forest pada proses klasifikasi genre memiliki hasil akurasi yang berbeda, algoritma Random Forest memiliki akurasi lebih tinggi dibandingkan dengan Naïve Bayes. Hasil akurasi pengujian algoritma Random Forest adalah 0.841, sedangkan hasil akurasi algoritma Naïve Bayes adalah 0.682. Dari hasil
klasifikasi genre berdasarkan data subtitle didapatkan pembagian genre sesuai dengan kalimat yang sudah dibagi pada data subtitle. Dengan akurasi klasifikasi terbaik yang dilakukan dengan metode Random Forest, dapat diketahui lebih banyak genre alternative dari suatu film seperti pada tiga film yang memiliki akurasi klasifikasi yang paling bagus pada film A Recipe For Seduction memiliki klasifikasi hasil genre Mystery, Romance dan Thriller, film All The President’s Men memiliki klasifikasi hasil genre Action, Drama, Mystery, Romance dan Thriller dan film Blood Bath In The Nameless River memiliki klasifikasi hasil genre Action, Drama, Horror, Mystery dan Thriller.
References
-
[1] M. F. F. Mardianto, D. R. Hastuti, D. A. Husada, and R. Andriawan, “Comparative Analysis of the Competitiveness Between Indonesian Movies Against International Movie, as a Reference in Developing Indonesia’s Cinema and Curriculum About cinematography,” Int. J. Innov. Creat. Chang., vol. 5, no. 3, pp. 685–707, 2019, [Online]. Available: https://scholar.unair.ac.id/en/publications/comparative-analysis-of-the-
competitiveness-between-indonesian-mo
-
[2] M. R. Effendi, “Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES,” J. Sist. Inf. Univ. Suryadarma, vol. 3, no. 2, pp. 101– 106, 2016, doi: https://doi.org/10.35968/jsi.v3i2.66.
-
[3] V. A. Flores, P. A. Permatasari, and L. Jasa, “Penerapan Web Scraping Sebagai Media Pencarian dan Menyimpan Artikel Ilmiah Secara Otomatis Berdasarkan Keyword,” Maj. Ilm. Teknol. Elektro, vol. 19, no. 2, pp. 157–162, 2020, doi:
https://doi.org/10.24843/MITE.2020.v19i02.P06.
-
[4] T. M. Kadarina and M. H. I. Fajar, “Pengenalan Bahasa Pemrograman Python Menggunakan Aplikasi Games Untuk Siswa/I Di Wilayah Kembangan Utara,” J. Abdi Masy., vol. 5, no. 1, pp. 11–16, 2019, doi: http://dx.doi.org/10.22441/jam.2019.v5.i1.003.
-
[5] D. D. Ayani, H. S. Pratiwi, and H. Muhardi, “Implementasi Web Scraping untuk Pengambilan Data pada Situs Marketplace,” J. Sist. dan Teknol. Inf., vol. 7, no. 4, pp. 257–262, 2019, doi: http://dx.doi.org/10.26418/justin.v7i4.30930.
-
[6] N. K. Rajput and B. A. Grover, “A Multi-label Movie Genre Classification Scheme Based on the Movie’s Subtitle,” Multimed. Tools Appl., vol. 81, no. 22, pp. 32469–32490, 2022 doi: https://doi.org/10.1007/s11042-022-12961-6.
-
[7] D. Bordwell and K. Thompson, Minding Movies: Observations on the Art, Craft, and Business of Filmmaking. London: The University of Chicago Press, 2011.
Discussion and feedback