Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penipuan dan bahkan pencurian informasi saat ini kerap terjadi di media sosial melalui unggahan pengguna yang tidak bertanggung jawab berupa status, tweet, ataupun pesan Spam yang berisi tautan-tautan yang berbahaya. Hal ini tidak terlepas dari keberadaan akun-akun jahat yang sudah sangat meresahkan dan mengganggu keamaan dan kenyamanan pengguna media sosial. Oleh karena itu, penelitian ini bertujuan untuk menggunakan fitur dari tweet (teks) dalam mendeteksi Malicious Account (akun jahat) di Twitter pengguna Indonesia. Terdapat dua metode ekstraksi fitur teks yang digunakan dan dibandingkan dalam penelitian ini yaitu Word2Vec dan FastText. Selain itu, penelitian ini juga membahas perbandingan antara metode Machine Learning dan Deep Learning dalam mengklasifikasi pengguna atau akun berdasarkan fitur dari tweet tersebut. Algoritma Machine Learning yang digunakan di antaranya adalah Logistic Regression, Decision Tree, dan Random Forest sedangkan algoritma Deep Learning yang digunakan yaitu Long Short-Term Memory (LSTM). Hasil dari keseluruhan skenario pengujian menunjukkan bahwa performa rata-rata yang dihasilkan metode ekstraksi fitur Word2Vec lebih unggul dibandingkan dengan FastText yang memiliki nilai F1-Score sebesar 74% dan metode klasifikasi Random Forest lebih unggul dibandingkan dengan tiga metode lainnya yang mana memiliki nilai F1-Score sebesar 82%. Sedangkan performa terbaik untuk kombinasi antara metode ekstraksi fitur dan metode klasifikasi terbaik yaitu gabungan antara Pre-trained Word2Vec dan LSTM dengan nilai F1-Score sebesar 84%.

---

Fraud and even theft of information nowadays often occur on social media through irresponsible user uploads in the form of statuses, tweets, or spam messages containing dangerous links. This is inseparable from the existence of Malicious Accounts that have been very disturbing and disturbing the comfort of users and the comfort of social media users. Therefore, this study aims to use the feature of tweets (text) in detecting Malicious Accounts on Indonesian Twitter users. There are two text feature extraction methods used and compared in this study, namely Word2Vec and FastText. In addition, this study also discusses the comparison between Machine Learning and Deep Learning methods in classifying users or accounts based on the features of the tweet. The Machine Learning algorithm used is Logistic Regression, Decision Tree, and Random Forest, while the Deep Learning algorithm used is Long Short-Term Memory (LSTM). The results of all test scenarios show that the average performance of the Word2Vec feature extraction method is higher than FastText with an F1-Score value of 74% and the Random Forest classification method is higher than the other three methods which have an F1-Score value of 82%. While the best performance for the combination of feature extraction method and the best classification method is the combination of Pre-trained Word2Vec and LSTM with an F1-Score value of 84%."

"Studi eksperimen ini bertujuan untuk menguji pengaruh keberadaan isyarat identitas dalam tweet pencarian dukungan pada kualitas pesan dukungan yang didapatkan dalam konteks akun Twitter auto base. Kualitas pesan dukungan diukur dalam tingkat person-centeredness dan jumlah strategi politeness yang digunakan. Konsep yang digunakan untuk menjelaskan hubungan antara keberadaan isyarat identitas dan kualitas pesan dukungan yang didapatkan adalah persepsi pemberi dukungan terhadap kehadiran sosial (social presence) dan trustworthiness pencari dukungan. Studi eksperimen ini dilakukan terhadap 5 kelompok pengguna akun Twitter auto base, masing-masing kelompok terdiri dari 38 hingga 41 responden. Setiap responden diminta untuk membalas sebuah tweet pencarian dukungan, dengan desain isyarat identitas yang berbeda-beda untuk masing-masing kelompok. Hasil penelitian menunjukkan bahwa keberadaan isyarat identitas tidak dapat menjelaskan perbedaan dalam kualitas pesan dukungan serta social presence dan trustworthiness yang dirasakan. Namun, ditemukan bahwa tingkat person-centeredness dalam pesan dukungan yang diberikan kepada pencari dukungan perempuan lebih tinggi daripada yang diberikan kepada laki-laki. Penelitian ini juga menemukan bahwa social presence pencari dukungan yang dirasakan pemberi dukungan dapat memprediksi jumlah strategi politeness yang digunakan dalam pesan dukungan; serta persepsi pemberi dukungan terhadap trustworthiness pencari dukungan dapat memprediksi jumlah strategi politeness yang digunakan dalam pesan dukungan dan tingkat person-centeredness pesan dukungan.

---

This experimental study aims to test the effect of the presence of identity cues in support-seeking tweets on the quality of the support messages received in the context of Twitter auto base accounts. Quality of support messages is measured by its person-centeredness level and the number of politeness strategies used. The concepts used to explain the relationship between the presence of identity cues and received support messages quality are support providers perception of support-seekers social presence and trustworthiness. This experimental study is done to 5 groups of Twitter auto base account users, with each of the groups consisting of 38 to 41 respondents. Each respondent was asked to reply to a support-seeking tweet, with different identity cue designs for each group. The results of the study show that the presence of identity cues cannot explain the difference in support messages quality, perceived social presence, and perceived trustworthiness. Instead, it is found that the person-centeredness level of support messages given to women are significantly higher than those given to men. This study also found that support-seekers perceived social presence can predict the number of politeness strategies used in a support message; and that support-seekers perceived trustworthiness can predict the number of politeness strategies used and the person-centeredness level of a support message."

"ABSTRAKDalam berkomunikasi penutur dituntut untuk mentaati prinsip kerja sama. Penggunaan prinsip kerja sama dapat pula dimanfaatkan sebagai pembentuk efek humor. Penelitian ini bertujuan untuk untuk menjabarkan penggunaan prinsip kerja sama Grice sebagai unsur pembangun efek humor pada akun Twitter @AlleenHumor dan untuk memaparkan implikatur percakapan yang hendak disampaikan pada setiap tweet @Allenhumor serta mencari aspek lain yang dapat menguatkan efek humor. Penelitian ini menggunakan metode kualitatif. Teori yang digunakan adalah Teori Prinsip Kerja Sama dan Implikatur Percakapan Grice (1975). Hasil dari penelitian ini menunjukkan bahwa implikatur dalam humor tweet akun Twitter @AlleenHumor dibangun berdasarkan penggunaan prinsip kerja sama Grice meliputi pelanggaran dan pemanfaatan prinsip kerja sama. Implikatur yang ingin disampaikan meliputi kekesalan, kesalahpahaman, sindiran, penegasan dan ketidaksetujuan. Selain hal tersebut, @AlleenHumor menggunakan aspek lain untuk membangun efek humor, seperti penggunaan diksi, tema dan pengetahuan umum tentang topik yang sedang dibahas untuk menguatkan efek jenaka pada ujaran yang digunakan.

---

ABSTRACTIn communicating, speakers are required to obey cooperative principles. The use of cooperative principles can also be used as humor-effects maker. This study aims to describe the use of Grice’s cooperative principles as the constructing element of humor-effects of the twitter account @AlleenHumor and to explain the conversational implicatures that would be delivered by every tweet of @AlleenHumor, also to amplify the humor effects. This study uses qualitative method. The theory referred is the Theory of Grice’s Cooperative Principles and Conversational Implicatures (1975). The result of this study shows that the implicatures in humor tweets of the twitter account @AlleenHumor are built based on the use of Grice’s cooperative principles, including violations and the use of cooperative principles. The implicatures that would be delivered include resentment, misinterpretation, satire, affirmation and disagreement. Moreover, @AlleenHumor uses other aspects to construct humor effects, such as the use of diction, theme, and general knowledge about the discussed topic to amplify the humor effects used in conversation."

"ABSTRAK<>br>Dalam beberapa tahun terakhir, masalah pengukuran kredibilitas informasi di jaringan sosial mendapat perhatian yang cukup besar terutama di bawah situasi darurat. Hal itu merupakan konsekuensi dari membeludaknya informasi, terlebih ketika semua orang bebas berperan sebagai sumber informasi.Penelitian ini menyoroti buramnya dinding pembatas antara fakta dan hoax di Indonesia, sehingga hal itu menyebabkan banyaknya kasus penyebaran hoax di media. Jika dibiarkan hal tersebut dapat berdampak buruk bagi seorang pribadi ataupun organisasi yang diserang isu hoax. Survei yang dilakukan Intelligence Media Management IMM menyatakan terdapat peningkatan tajam di tahun 2016 dari 1572 menjadi 7311 pemberitaan media. Dan berdasarkan hasil survei yang dilakukan masyarakat telematika mastel Indonesia hampir dari seluruh responden 84,5 menyatakan terganggu dengan maraknya berita hoax yang dapat mengganggu kerukunan masyarakat dan menghambat pembangunan nasional.Menurut Menteri Komunikasi dan Informatika Rudiantara, langkah nyata yang bisa dilakukan adalah menyaring informasi menjadi lebih cepat dan tegas. Untuk itu diperlukan tindakan sehingga penyebaran hoax di media dapat diturunkan. Tujuan dilakukannya penelitian ini adalah untuk mengidentifikasi konten di media sosial merupakan suatu hoax atau tidak pada saat konten tersebut beredar. Metodologi yang digunakan di dalam penelitian ini dimulai dengan mengumpulkan tweets yang terindikasi hoax lalu dilakukan proses pengolahan data dengan membuat suatu model text mining yang dapat memprediksi suatu konten berpotensi hoax atau tidak.Hasil dari penelitian ini yaitu didapatkan sebuah model berbasis pembelajaran sendiri menggunakan algoritma LinearSVC dengan akurasi 91 yang dapat memprediksi apakah suatu tweet merupakan berpotensi hoax atau tidak sehingga membantu dalam menyaring suatu informasi yang diharapkan dapat mengurangi penyebaran hoax di Indonesia.

---

ABSTRACT<>br>In recent years, the problem of measuring the credibility of information on the social network received considerable attention, especially under emergency situations. This is the consequence of too many information, especially when everyone is free to act as a source of information.The study highlights the blurring of the dividing wall between fact and hoax in Indonesia, so it causes many cases of spread of hoaxes in the media. If left unchecked it can be bad for a person or organization that attacked the issue of hoaxes. Surveys conducted by Intelligence Media Management IMM said there is a sharp increase in 2016 from 1572 content into 7311 content spread in media. And based on the results of a survey conducted by telematics community Mastel Indonesia almost of all respondents 84.5 declared disturbed by the rise of the hoax news that could disturb social harmony and impede national development.According to the Minister of Communications and Information Rudiantara, concrete steps that can be done is to filter information faster and firmer. It required the action so that the spread of hoax in the media can be derived. The purpose of this research is to identify content in social media is a hoax or not when the content is spreading. The methodology used in this research begins with collecting tweets that indicated hoax and then performed data processing by creating a text mining model that can predict a potentially hoax content or not.The result of this research is a machine learning model using LinearSVC algorithm with 91 accuracy which can predict whether tweet potentially hoax or not, thus helping the filtering of information expected to reduce the spread of hoax in Indonesia."

"ABSTRAKKebebasan berpendapat melalui media sosial untuk mengungkapkan pikiran, pendapat dan tanggapan terhadap suatu topik tertentu menimbulkan dampak negatif berupa konten yang menebarkan kebencian. Penelitian ini bertujuan untuk melakukan deteksi sebuah informasi yang merupakan ujaran kebencian di media sosial Twitter. Data yang digunakan berjumlah 4.002 data sentimen terkait topik politik, agama, suku dan ras di Indonesia. Pada pembangunan model, penelitian ini menggunakan metode klasifikasi sentimen dengan algoritma machine learning seperti Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree dan Support Vector Machine SVM . Di samping itu, penelitian ini juga melakukan perbandingan performa model dengan menggunakan unigram, bigram dan unigram-bigram dalam proses fitur ekstraksi dan penggunaan SMOTE untuk mengatasi imbalanced data. Evaluasi dari percobaan yang dilakukan menunjukkan bahwa algoritma AdaBoost menghasilkan model terbaik dengan nilai recall tertinggi yaitu 99.5 yang memiliki nilai akurasi sebesar 70.0 dan nilai F1-score sebesar 82.2 untuk klasifikasi ujaran kebencian apabila menggunakan bigram.

---

ABSTRACTFreedom of expression through social media to express idea, opinion and view about current topic causes negative impact as the rise of hateful content. This study aims to detect a hate speech information through Twitter. Dataset of this study consists of 4.002 sentiment data related to politic, race, religion and clan topic. The model development of this study conducted by sentiment classification method with machine learning algorithm such as Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree and Support Vector Machine SVM . We also conduct a comparison of model performance that used unigram, bigram, unigram bigram feature and SMOTE to handle imbalanced data. Evaluation of this study showed that AdaBoost algorithm resulted the best classification model with the highest recall model which was 99.5 , accuracy score as much as 70.0 and F1 score 82.2 to classify hate speech when using bigram features."

"Penelitian ini bertujuan untuk mengeksplorasi makna penggunaan akun pseudonim pada platform Twitter. Beberapa studi terdahulu menemukan jika penggunaan akun pseudonim dianggap sebagai sarana untuk menyalurkan ekspresi secara bebas, berbagi cerita, dan keluh-kesah tentang kehidupan pribadi secara tersembunyi tanpa khawatir membawa efek reputasi ke dunia nyata. Namun, pembahasan studi terdahulu cenderung melihat pada motivasi individu dan sedikit sekali yang mengeksplorasi bagaimana proses pemaknaan atas tindakan menggunakan akun pseudonim berlangsung, yang mana hal ini dapat diidentifikasi melalui penelusuran hubungan timbal balik antara motif tindakan dan realitas interaksi sosial yang dialami oleh pengguna akun. Argumen ini didasari dari perspektif fenomenologi yang dikemukakan Alfred Schutz (1967) bahwa proses terjadinya sebuah makna dapat dipahami dengan menelusuri proses tipikasi, yakni pengelompokkan dan persebaran pengetahuan atas tindakan yang terjadi melalui interaksi sosial yang dialami individu sehari-hari. Diperlukan juga mengkaji motif-motif dibalik terjadinya sebuah tindakan untuk memahami latarbelakang munculnya sebuah makna. Dengan demikian, penelitian ini menemukan adanya empat bentuk makna terkait akun pseudonim yang disimpulkan dari para informan; (1) makna yang berorientasi pada identitas; (2) makna yang berorientasi pada informasi; (3) berorientasi pada jaringan interaksi sosial; dan (4) makna akun pseudonim yang berhubungan dengan pengembangan diri. Hasil penelitian dianalisis menggunakan metode kualitatif deskriptif. Teknik pengumpulan data berupa wawancara mendalam kepada pengguna Twitter dan observasi digital pada platform Twitter.

---

This study aims to explore the meaning of using pseudonymous accounts on the Twitter platform. Several previous studies have found that the use of pseudonymous accounts is considered a means to channel expression freely, share stories, and complain about personal life in secret without worrying about bringing reputation effects to the real world. However, the discussion in previous studies tends to look at individual motivation, and very little has explored how the process of interpreting the meaning of actions using pseudonymous accounts takes place, which can be identified through tracing the interrelationships between action motives and the reality of social interactions experienced by account users. This argument is based on the phenomenological perspective put forward by Alfred Schutz (1967) that the process of creating meaning can be understood by tracing the process of typification, namely the grouping and distribution of knowledge on actions that occur through social interactions experienced by individuals on a daily basis. It is also necessary to examine the motives behind the occurrence of an action to understand the background of the emergence of meaning. Thus, this study found that there were four forms of meaning related to pseudonymous accounts, which were inferred from the informants; (1) identity-oriented meaning; (2) information-oriented meaning; (3) oriented to social interaction network; and (4) the meaning of pseudonymous accounts related to self-development. The results of the study were analyzed using descriptive qualitative methods. Data collection techniques in the form of in-depth interviews with Twitter users and digital observations on the Twitter platform."

"The popularity of Twitter has attracted spammers to disseminate large amount of spam messages. Preliminary studies had shown that most spam messages were produced automatically by bot. Therefore bot spammer detection can reduce the number of spam messages in Twitter significantly. However, to the best of our knowledge, few researches have focused in detecting Twitter bot spam-mer. Thus, this paper proposes a novel approach to differentiate between bot spammer and legitimate user accounts using time interval entropy and tweet similarity. Timestamp collections are utilized to calculate the time interval entropy of each user. Uni-gram matching-based similarity will be used to calculate tweet similarity. Datasets are crawled from Twitter containing both normal and spammer accounts. Experimental results showed that legitimate user may exhibit regular behavior in posting tweet as bot spammer. Several legitimate users are also detected to post similar tweets. Therefore it is less optimal to detect bot spammer using one of those features only. However, combination of both features gives better classification result. Precision, recall, and f-measure of the proposed method reached 85.71%, 94.74% and 90% respectively. It outperforms precision, recall, and f-measure of method which only uses either time interval entropy or tweet similarity.

---

Ketenaran Twitter mengundang spammer untuk menggunakannya dalam penyebarluasan pesan spam. Penelitian terdahulu menunjukkan bahwa kebanyakan pesan spam dihasilkan secara otomatis oleh bot. Deteksi bot spammer akan dapat mengurangi jumlah pesan spam pada Twitter secara signifikan. Akan tetapi, sejauh yang penulis ketahui, masih sedikit penelitian yang fokus dalam deteksi bot spammer pada Twitter. Sehingga, paper ini mengusulkan pendekatan baru untuk membedakan antara bot spammer dan pengguna sah menggunakan time interval entropy dan kemiripan antar tweet. Kum-pulan timestamp digunakan untuk menghitung time interval entropy dari tiap akun pengguna. Uni-gram matching-based similarity akan digunakan untuk menghitung kemiripan antar tweet. Dataset diambil dari Twitter yang terdiri atas kumpulan akun normal dan akun yang terindikasi sebagai bot spammer. Hasil percobaan menunjukkan beberapa pengguna sah Twitter juga memiliki kebiasaan yang teratur dalam menghasilkan tweet sebagaimana bot spammer. Beberapa pengguna sah juga ter-deteksi menghasilkan tweet yang mirip. Oleh karena itu, deteksi bot spammer menggunakan satu fitur saja akan kurang optimal. Akan tetapi, kombinasi atas kedua fitur tersebut memberikan hasil klasifi-kasi yang lebih baik. Presisi, recall, dan f-measure dari metode yang diusulkan mencapai 85.71%, 94.74% dan 90%. Nilai ini melampaui presisi, recall, dan f-measure dari metode yang hanya meng-gunakan baik time interval entropy maupun kemiripan antar tweet saja."

"Geert Wilders adalah seorang politisi sayap kanan asal Belanda yang pada tahun 2021 aktif memposting twit anti-Islam sebagai tanggapan terhadap berbagai peristiwa yang terjadi pada tahun tersebut, termasuk Pemilihan Umum 2021, hari besar agama Islam, dan kontroversi Erica Meiland. Karena twitnya itu, ia menuai banyak kecaman dan ancaman dari umat Islam, sehingga penelitian ini berfokus pada analisis tindak tutur lokusi dan ilokusi yang terkandung dalam twit Geert Wilders. Penelitian ini menggunakan pendekatan kualitatif sebagai metode dan teori tindak tutur dalam menganalisis data. Dari 12 data yang telah dianalisis, ditemukan empat tindak tutur yang terkandung dalam twit milik Wilders terkait agama Islam yakni 13 kalimat representatif, 40 kalimat direktif, 8 kalimat ekspresif, dan 1 kalimat komisif. Kesimpulan dari penelitian ini adalah alasan mengapa cuitan Geert Wilders yang anti-Islam mendapat kecaman dari umat Islam sebab Geert Wilders banyak menggunakan tindak tutur direktif guna memerintahkan, menghasut, serta mendesak pembaca agar cita-citanya dalam menyingkirkan agama Islam dari Belanda berhasil. Kekuasaannya yang terbatas mengakibatkan tindak tutur deklarasi tidak muncul dalam twitnya.

---

Geert Wilders is a right-wing politician from the Netherlands who, in 2021, actively posted anti-Islam tweets in response to various events that occurred that year, such as the 2021 General Election, Islamic religious holidays, and the Erica Meiland controversy. Due to his tweets, he faced a lot of condemnation and threats from the Muslim community. Therefore, this research focuses on analyzing the locutionary and illocutionary speech acts contained in Geert Wilders' tweets. This study employs a qualitative approach as the method and speech act theory in analyzing the data. From the 12 analyzed data, four speech acts related to Islam were identified in Wilders' tweets, including 13 representative sentences, 40 directive sentences, 8 expressive sentences, and 1 commissive sentence. The conclusion of this research is that the reason why Geert Wilders' anti-Islam tweets are condemned by Muslims is because Geert Wilders frequently uses directive speech acts to command, incite, and urge readersin order to achieve his goal of removing Islam from the Netherlands. His limited power resulted in the absence of declarative speech acts in his tweets."

"Skripsi ini membahas analisis wacana iklan pada sebuah akun twitter, @7elevenID. Penelitian ini bertujuan memaparkan suprastruktur wacana dalam tweet @7ElevenID, hubungan antarunsur pembentuk wacana yang terwujud dalam kohesi pada dalam tweet @7ElevenID, analisis sintaktis dalam tweet @7ElevenID, serta makrostruktur wacana dalam tweet @7ElevenID. Metode penelitian yang digunakan adalah metode kualitatif. Hasil penelitian menunjukkan bahwa, melalui analisis suprastruktur, akun @7elevenID memanfaatkan semua ruang untuk beriklan. Adapun alat-alat kohesi yang ditemukan dalam penelitian ini adalah referensi, elipsis (nominal dan verbal), konjungsi, reiterasi (repetisi dan sinonimi), serta kolokasi. Selain itu, dari 27 kalimat yang ada, 13 kalimat di antaranya merupakan kalimat tidak lengkap. Adapun dari segi analisis makrostruktur, proposisi yang paling banyak muncul adalah dasar-DESAKAN, yakni sebanyak 9 tweet.

---

This research discusses advertising discourse at @7elevenID’s twitter account. The aim of this research is to explain superstructure, cohesion tools, syntactic analysis, and macrostructure at @7ElevenID’s twitter account. This research uses qualitative methodology. The result of this research shows that, by using superstructure analysis, @7elevenID took the whole space at its twitter account to advertise the product. The cohesion tools that have found are reference, ellipses (noun and verb), conjunction, reiteration (repetition and synonymy), and collocation. Syntactically, from 27 sentences, there are 13 sentences that have no subject or predicate. In macrostructure, the proposition basic-PRESSURE was the most appear proposition toward the whole proposition."

"Artikel ini membahas dan menganalisis hasil terjemahan yang dihasilkan oleh mesin penerjemah otomatis yang terdapat pada media sosial Twitter. Twitter adalah salah satu media sosial yang sangat populer dan masih sering digunakan di seluruh dunia. Media awam dan para selebritis menampilkan cuitan-cuitan mereka lewat media sosial ini. Dewasa ini, Twitter juga sudah memiliki mesin penerjemah otomatis yang berfungsi untuk menerjemahkan cuitan-cuitan ke dalam berbagai bahasa antara lain bahasa Rusia dan bahasa Indonesia. Beberapa penelitian sebelumnya yang berkaitan dengan hasil terjemahan mesin menyebutkan bahwa, mesin penerjemah otomatis masih sering melakukan kesalahan. Dalam artikel ini, akan menganalisis hasil terjemahan cuitan twitter yang dilakukan oleh mesin penerjemahan dari bahasa Rusia ke bahasa Indonesia. Setiap hasil terjemahan cuitan yang diteliti diambil dari akun twitter «ТАСС» TASS yang merupakan akun resmi kantor berita Rusia. Cuitan dari akun ini akan diterjemahkan dari bahasa Rusia ke bahasa Indonesia oleh mesin penerjemah. Setelah itu, semua hasil penerjemahan akan dilihat dan dikelompokkan ke dalam beberapa kesalahan penerjemahan yang didasarkan pada teori Newmark dan Koponen.

---

This article discusses and analyses the translation results generated by automatic translation machines on Twitter social media. Twitter is a social media that is very popular and still frequently used around the world. The news agency and celebrities display their tweets through this social media. Nowadays, Twitter also has been equipped with an automatic translation machine that functions to translate tweets into various languages, including Russian and Indonesian. Some previous research related to machine translation results mentioned that automatic machine translators still often make mistakes. This article the author will analyse the translation of tweets on twitter produced by machine translation from Russian to Indonesian. Every tweet from the researched twitter were taken from the Russian news media account «ТАСС» TASS, which is the official account of the Russian news agency. Tweets from this account will be translated from Russian to Indonesian by a machine translator. After that, all translation results will be viewed and grouped into several translation errors based on the Newmark and Koponen translation theories."