Analisis Pengaruh Kelas Netral pada Akurasi Metode Klasifikasi Sentimen dari Dataset Twitter

Shani, Asadul Haq Muhammad (2019) Analisis Pengaruh Kelas Netral pada Akurasi Metode Klasifikasi Sentimen dari Dataset Twitter. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000051-Undergraduate-Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Twitter merupakan salah satu media sosial paling populer di dunia. Pada media sosial ini pengguna dapat menuliskan tulisan singkat dengan batas 280 karakter, tulisan ini disebut tweet. Setiap harinya jutaan tweet diunggah ke Twitter, mengakibatkan melimpahnya data yang tersedia di platform ini. Pengguna Twitter terdiri dari berbagai macam kalangan, tidak terkecuali perusahaanperusahaan. Melalui Twitter komunikasi antar perusahaan dengan konsumen jadi mudah terbentuk. Sebuah tweet yang ditujukan seorang konsumen kepada perusahaan dapat berisi pendapat orang tersebut terhadap perusahaan. Hal ini dapat dimanfaatkan oleh perusahaan untuk mendeteksi sentimen dari para konsumennya terhadap perusahaan tersebut. Cabang ilmu yang mempelajari cara mengekstrak sentimen dari sebuah teks disebut analisis sentimen, atau sering juga disebut opinion mining. Sering kali penelitian di bidang analisis sentimen hanya berfokus pada data yang memiliki sentimen baik positif maupun negatif, dan mengabaikan data yang bersifat netral. Menurut sebuah penelitian hal ini tidak bisa dibenarkan karena komentar tentang sesuatu tidak selalu mengandung sentimen, ada kemungkinan komentar yang diberikan adalah ungkapan objektif tanpa tendensi sentimen positif maupun negatif. Pada tugas akhir ini akan dilakukan penelitian tentang pengaruh penambahan kelas netral pada akurasi dari beberapa metode klasifikasi: SVM, Maximum Entropy, dan Naïve Bayes dengan menggunakan dataset berbahasa Indonesia yang didapatkan dari Twitter. Pada setiap metode dilakukan pengujian sebanyak 6 kali dengan melakukan kombinasi antara jumlah kelas dan penggunaan fitur. Akurasi dari metode yang diuji didapatkan dengan melakukan 10-fold cross validation. Hasil penelitian menunjukkan penambahan kelas netral pada seluruh percobaan mengakibatkan berkurangnya akurasi dengan penurunan akurasi terbesar sebanyak 26% dan terkecil sebanyak 14%
==================================================================================================================================
Twitter is one of the most popular social media platform in the world. Users can write up to 280 characters text and post them, this limited text is called tweet. Everyday millions of tweets are posted, resulting in an enormous number of data available in this platform. Users of Twitter varies a lot, some of them are companies. By using Twitter these companies can easily reach their customers. A Tweet that is addressed by a customer can contain opinion of that person about the company. Companies can take advantage of this by using the data to analyze the sentiment of its customers. Field of study that studies the extraction of sentiment from a text is called sentiment analysis, often also called opinion mining. Often times research about sentiment analysis only focus on data that have sentiment either positive or negative, and neglect neutral data. According to research, this cannot be justified as the comment about something doesn’t always has sentiment in it. A comment can be just an objective fact that has no tendency to neither positive nor negative. In this project will be conducted a study on the impact of adding neutral class to the accuracy of some classification methods: SVM, Maximum Entropy, and Naïve Bayes with Indonesian dataset that is collected from Twitter. On each method 6 tests are conducted by varying the number of classes considered and the features that are used. The accuracy of each method is measured using 10-fold cross validation. The result shows that addition of neutral class in each experiment causes the accuracy to drop. The largest decrease in accuracy is 26% and the smallest is 14%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Twitter, Bahasa Indonesia
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Asadul Haq Muhammad Shani
Date Deposited:	23 Jul 2026 04:41
Last Modified:	23 Jul 2026 04:41
URI:	http://repository.its.ac.id/id/eprint/70345

Actions (login required)

View Item