Implementasi Klasifikasi Opini Review Film Menggunakan Support Vector Machine Dengan Particle Swarm Optimization

Haniefardy, Addien (2016) Implementasi Klasifikasi Opini Review Film Menggunakan Support Vector Machine Dengan Particle Swarm Optimization. Undergraduate thesis, Institut Teknologi Sepuluh Nopember Surabaya.

[img]
Preview
Text
5112100127-Undergraduate_Thesis.pdf - Published Version

Download (1MB) | Preview

Abstract

Pertumbuhan pesat jumlah pengguna internet dan jaringan sosial telah membuka jalan untuk mengakses dan menganalisis opini para penggunanya. Analisis maksud opini apakah termasuk positif atau negatif merupakan hal yang mudah bagi manusia. Namun, analisis semua opini secara manual menjadi hal yang mustahil karena jumlah opini yang meningkat secara besarbesaran. Oleh karena itu, penggalian opini diperlukan untuk menganalisis opini secara otomatis dan dapat mengambil informasi yang berguna. Pada tugas akhir ini, sistem yang diimplementasikan berupa sistem yang mampu melakukan klasifikasi opini review film. Sistem menganalisis apakah opini termasuk opini posistif atau negatif. Tahap pertama adalah ekstraksi fitur dengan pemrosesan teks. Tahap ini memroses dokumen menjadi fitur, dimulai dari case folding, tokenization, stopwords removal, dan pembobotan TFIDF. Tahap kedua adalah klasifikasi menggunakan metode SVM. Namun, untuk meminimalkan jumlah fitur yang sangat banyak dilakukan penambahan proses seleksi fitur dengan metode PSO. Tahap ketiga adalah evaluasi. Kinerja sistem dievaluasi dengan menggunakan metode confusion matrix. Uji coba pada tugas akhir ini menggunakan data opini review film berjumlah 2000 dokumen. Untuk metode validasi, sistem menggunakan metode k-fold cross validation. Hasil uji coba menyimpulkan bahwa sistem dapat melakukan klasifikasi opini review film cukup baik. Nilai akurasi klasifikasi SVM dengan nilai k pada cross validation sama dengan 5 sebesar 50.40% meningkat menjadi 60.85% setelah ditambahkan seleksi fitur menggunakan metode PSO. Penggunaan sentimen untuk pemilihan fitur juga sangat berpengaruh ========================================================================================== The rapid growth of Internet users and social networking has opened the way to access and analyze the opinions of its users. Analysis of whether the opinion is positif or negatif is an easy thing for humans. However, the analysis of all manually opinion becomes impossible because of the number of opinions increased massively. Therefore, opinion mining is required for automatically analyze the opinion and can retrieve useful information In this thesis, the system is implemented in the form of a system that is able to classify the opinions of movie reviews. System analyzes whether the opinion includes positive or negative opinion. The first stage is the extraction of features with text processing. This phase process the document into a feature, starting from folding case, tokenization, stopwords removal and TF-IDF weighting. The second stage is classification using SVM method. However, to minimize the number of features that are very much, the addition of feature selection using PSO method is needed. The third stage is evaluation. Performance of system was evaluated using the confusion matrix. The trial in this thesis using a 2000 opinion movie review documents. For validation of methods, systems using the k-fold cross validation. The trial results concluded that the system can classify opinion of review films quite well. SVM classification accuracy value with k for cross validation equal to 5 at 50.40% increase to 60.85% after being added feature selection using the method of PSO. Use of sentiment for feature selection is also very influential.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 006.42 Han i
Uncontrolled Keywords: opini review film, analisis sentimen, klasifikasi teks, support vector machine, particle swarm optimization
Subjects: Q Science > QA Mathematics > QA76.76.A63 Application program interfaces
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: EKO BUDI RAHARJO
Date Deposited: 04 Jun 2020 04:35
Last Modified: 04 Jun 2020 04:36
URI: http://repository.its.ac.id/id/eprint/76092

Actions (login required)

View Item View Item