Perbandingan Seleksi Fitur Untuk Klasifikasi Sentimen SVM Pada Twitter

Juniawan Suri, Dede (2017) Perbandingan Seleksi Fitur Untuk Klasifikasi Sentimen SVM Pada Twitter.

Full text not available from this repository.
Official URL: http://elib.unikom.ac.id/gdl.php?mod=browse&op=rea...

Abstract

Analisis sentimen adalah bidang studi untuk menganalisis pendapat, sentimen, evaluasi, penilaian sikap dan emosi terhadap entitas seperti produk, jasa, organisasi, individu, peristiwa, dan atribut lainnya. Seleksi fitur memiliki peran penting dalam klasifikasi teks termasuk analisis sentimen, penggunaan metode seleksi fitur membantu memahami atribut yang relevan untuk kelas tertentu serta meningkatkan akurasi klasifikasi. Metode seleksi fitur TF-IDF, Ratio, dan N-Gram telah diterapkan dalam klasifikasi pesan singkat twitter, metode-metode tersebut menghasilkan akurasi yang baik, akan tetapi belum diketahui metode yang lebih baik karena dilakukan dalam penelitian yang berbeda. Berdasarkan hasil penelitian dengan dataset 1100 tweet yang dibagi menjadi 500 untuk training filter tweet, 500 untuk training klasifikasi sentimen, 50 untuk testing filter tweet, dan 50 untuk testing klasifikasi sentimen. Metode TF-IDF menghasilkan akurasi tertinggi yaitu 74% pada klasifikasi filter tweet dan 80% pada klasfikasi sentimen, Ratio menghasilkan akurasi 72% pada klasifikasi filter tweet dan 74% pada klasfikasi sentimen, dan N-Gram menghasilkan akurasi 64% pada klasifikasi filter tweet dan 78% pada klasfikasi sentimen.

Item Type: Article
Uncontrolled Keywords: Analisis Sentimen, Seleksi Fitur, TF-IDF, Ratio, N-Gram, Support Vector Machine, Twitter
Subjects: S1-Final Project > Fakultas Teknik Dan Ilmu Komputer > Teknik Informatika > 2017
Divisions: Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer > Teknik Informatika (S1)
Date Deposited: 10 Nov 2017 03:33
Last Modified: 10 Nov 2017 03:33
URI: https://repository.unikom.ac.id/id/eprint/53492

Actions (login required)

View Item View Item