Hanif Nur Cahyani, 4611418006 (2022) PENINGKATAN AKURASI ALGORITMA MULTINOMIAL NAÏVE�BAYES DENGAN ADAPTIVE BOOSTING MENGGUNAKAN INFORMATION GAIN UNTUK KLASIFIKASI ANALISIS SENTIMEN ULASAN FILM. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Film menjadi salah satu sarana penyampaian informasi sekaligus sebagai hiburan yang dapat dinikmati oleh semua kalangan melalui berbagai platform seperti internet, bioskop, maupun televisi. Review dari para penikmat film dapat menentukan kesuksesan sebuah film yang dapat dijadikan sumber data yang penting bagi para pembuat film. Analisis sentimen diperlukan untuk menganalisis komentar positif maupun negatif dari penikmat film, komentar ini berasal dari banyak kalangan dan dari berbagai sumber salah satunya seperti IMDb (Internet Movie Database). Algoritma klasifikasi multinomial naïve-Bayes telah banyak diusulkan dan digunakan oleh banyak peneliti dalam kasus analisis sentimen, algoritma klasifikasi ini merupakan terusan dari algoritma naïve-Bayes yang lebih terbarukan dan dinilai lebih cocok ketika diimplementasikan pada penelitian klasifikasi multikelas. Dalam penggunaannya algoritma klasifikasi multinomial naïve-Bayes masih terdapat fitur-fitur tidak relevan yang dapat mempengaruhi kinerjanya, sehingga dibutuhkan algoritma seleksi fitur untuk mereduksi fitur-fitur yang tidak relevan. Information gain digunakan sebagai algoritma seleksi fitur yang akan mereduksi fitur-fitur yang kurang relevan berdasarkan nilai gain dari setiap fitur yang dihasilkan. Fitur dengan nilai gain tertinggi yang hanya akan digunakan pada proses klasifikasi sehingga algoritma seleksi fitur information gain ini dinilai mampu meningkatkan kinerja dari algoritma klasifikasi multinomial naïve-Bayes. Algoritma ensemble adaptive boosting difungsikan sebagai algoritma boosting untuk meningkatkan akurasi pada model klasifikasi multinomial naïve-Bayes dan information gain. Pengujian akurasi pada model dilakukan menggunakan bahasa pemrograman python. Hasil akurasi yang didapatkan ketika menerapkan algoritma klasifikasi multinomial naïve-Bayes adalah sebesar 84,82%, kemudian akurasi sebesar 85,24% didapatkan ketika mengimplementasikan seleksi fitur information gain pada algoritma klasifikasi multinomial naïve-Bayes. Hasil akurasi tertinggi yang didapatkan dalam penelitian ini dapat membuktikan bahwa penerapan algoritma seleksi fitur information gain dan adaptive boosting dapat meningkatkan akurasi algoritma multinomial naïve-Bayes dalam kasus klasifikasi analisis sentimen pada dataset movie reviews v1.0. Hasil akurasi tertinggi yaitu sebesar 87,87% didapatkan ketika mengimplementasikan algoritma klasifikasi multinomial naïve-Bayes dengan adaptive boosting dan fitur seleksi information gain.

Actions (login required)

View Item