Wahyu Destian Wicaksono , 4611416045 (2020) KLASIFIKASI ANALISIS SENTIMEN MOVIE REVIEW DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN KERNEL RADIAL BASIS FUNCTION DAN INFORMATION GAIN. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Download (1MB)

Abstract

Persoalan klasifikasi analisis sentimen masih menjadi pembahasan hangat dan perhatian bagi para peneliti. Analisis sentimen adalah proses yang bertujuan untuk menentukan isi dari dataset yang berbentuk teks apakah mengandung sentimen positif atau negatif. Saat ini review suatu produk menjadi sumber data yang penting bagi produsen, maupun bagi calon konsumen. Pada penelitian ini akan dilakukan klasifikasi analisis sentimen pada Data Movie Review Polarity Dataset V2.0 yang berasal dari situs IMDb. Support Vector Machine (SVM) telah diusulkan oleh beberapa peneliti untuk digunakan pada klasifikasi analisis sentimen movie review, karena memiliki kelebihan dalam mengolah dataset yang berjumlah besar dan tetap bekerja dengan baik pada banyak fitur. Namun, kinerja SVM sangat tergantung pada pemilihan kernel dan parameternya yang dapat mempengaruhi hasil akurasi pada klasifikasi. kernel Radial Basis Function (RBF) digunakan agar lebih baik dalam memporses data nonlinear dan dilakukan tuning pada parameternya untuk mendapat hasil akurasi yang optimal. Dalam klasifikasi analisis sentimen terdapat satu kendala lain di mana jumlah fitur yang digunakan sangat banyak, ini dapat mengurangi performa dari klasifikasi. Feature selection dapat digunakan untuk mengurangi jumlah fitur yang terlalu besar dengan membuang fitur yang kurang relevan dan memilih fitur dengan korelasi yang kuat terhadap klasifikasi. feature selection yang digunakan adalah information gain (IG). Pengujian dilakukan dengan implementasi menggunakan bahasa pemrograman Python. Hasil akurasi yang diperoleh dalam klasifikasi analisis sentimen movie review menggunakan algoritma SVM ialah sebesar 81,50%. Sedangkan, hasil akurasi algoritma SVM dengan menerapkan kernel RBF ialah sebesar 82,25%. Hasil akhir akurasi algoritma SVM dengan menerapkan kernel RBF dan feature selection IG sebesar 87,25%. Dengan demikian, penerapan kernel RBF dan feature selection IG pada algoritma SVM dapat meningkatkan hasil akurasi dalam klasifikasi analisis sentimen movie review sebesar 5,75%. Hasil ini membuktikan bahwa penerapan kernel RBF dan feature selection IG berhasil memperoleh tingkat akurasi lebih baik pada klasifikasi analisis sentimen movie review.

Actions (login required)

View Item