Komparasi Feature Selection Pada Algoritma Support Vector Machine Untuk Analisis Sentimen Review Tempat Wisata

Komparasi Feature Selection Pada Algoritma Support Vector Machine Untuk Analisis Sentimen Review Tempat Wisata

• By Arifin, Yoseph Tajul;
• Tesis
• 492
• 1-132

Para traveler dan wisatawan yang menulis opini/review mereka tentang tempat wisata banyak tersebar di berbagai media seperti media social, situs website dan lain-lain. Manfaat tersendiri dari adanya opini-opini tersebut salah satunya sebagai acuan dalam proses pengambilan keputusan bagi calon wisatawan lain dalam memutuskan tempat wisata mana yang akan dikunjungi. Informasi dari beberapa opini sangat berguna sebagai pembanding dalam proses pengambilan keputusan bagi mereka calon wisatawan. Akan tetapi membaca keseluruhan data review yang dapat memakan waktu sedangkan jika hanya sedikit data review yang dibaca maka akan membingungkan dalam pengambilan keputusan. Klasifikasi sentimen bertujuan untuk masalah ini. Analisa sentiment adalah studi komputasi mengenai pendapat, perilaku dan emosi seseorang terhadap entitas. Pada penelitian ini akan dibahas mengenai teknik klasifikasi yang digunakan dan penggabungan metode pemilihan fitur seleksi untuk membandingkan hasil pengujian. Teknik klasifikasi untuk menganalisa sentiment review tempat wisata menggunakan algoritma Support Vector Machine (SVM). SVM memiliki kelebihan yaitu mampu mengidentifikasi hyperplane terpisah yang memaksimalkan margin antara dua kelas yang berbeda. Pemilihan fitur sekaligus penyetingan parameter di SVM secara signifikan mempengaruh hasil akurasi klasifikasi. Sedangkan metode pemilihan fitur, yaitu Particle Swarm Optimization dan Genetic Algorithm agar bisa meningkatkan akurasi pengklasifikasi Support Vector Machines. Penelitian ini menghasilkan klasifikasi teks dalam bentuk positif atau negatif dari review tempat wisata. Pengukuran berdasarkan akurasi Support Vector Machines sebelum dan sesudah penambahan metode pemilihan fitur. Evaluasi dilakukan menggunakan 10 fold cross validation. Sedangkan pengukuran akurasi diukur dengan confusion matrix dan kurva ROC. Hasil penelitian menunjukkan peningkatan akurasi Support Vector Machines dari 94.33% menjadi 97.00% untuk jenis review berbahasa Indonesia dan dari 75.33% menjadi 88.67%.

• Katakunci data mining, text mining, rapid miner, algoritma, komparasi
• URL http://
• Penerbit ,

REFERENSI

Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. (2013). Opinion Mining of Movie Review using Hybrid Method of Support Vector Machine and Particle Swarm Optimization. Procedia Engineering, 53, 453–462. doi:10.1016/j.proeng.2013.02.059

Chou, J.-S., Cheng, M.-Y., Wu, Y.-W., & Pham, A.-D. (2014). Optimizing parameters of support vector machine using fast messy genetic algorithm for dispute classification. Expert Systems with Applications, 41(8), 3955–3964. doi:10.1016/j.eswa.2013.12.035

Dehkharghani, R., Mercan, H., Javeed, A., & Saygin, Y. (2014). Sentimental causal rule discovery from Twitter. Expert Systems with Applications, 41(10), 4950–4958. doi:10.1016/j.eswa.2014.02.024

Habernal, I., Ptáček, T., & Steinberger, J. (2014). Supervised sentiment analysis in Czech social media. Information Processing & Management, 50(5), 693–707. doi:10.1016/j.ipm.2014.05.001

Haddi, E., Liu, X., & Shi, Y. (2013). The Role of Text Pre-processing in Sentiment Analysis. Procedia Computer Science, 17, 26–32. doi:10.1016/j.procs.2013.05.005

Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques. San Francisco: Diane Cerra.

Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms. Untied States Of America: A John Wiley & Sons Inc Publication.

Huang, K., Yang, H., King, I., & Lyu, M. (2008). Machine Learning Modeling

Data Locally And Globally. Berlin Heidelberg: Zhejiang University Press, Hangzhou And Springer-Verlag Gmbh.

Khan, F. H., Bashir, S., & Qamar, U. (2014). TOM: Twitter opinion mining framework using hybrid classification scheme. Decision Support Systems, 57, 245–257. doi:10.1016/j.dss.2013.09.004

Khan, K., Baharudin, B., & Khan, A. (2014). Mining Opinion Components from Unstructured Reviews: A Review. Journal of King Saud University - Computer and Information Sciences. doi:10.1016/j.jksuci.2014.03.009

Litchfield, Steve. (2010). Defining the Smartphone. (n.d.)

Liu, Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S. (2011). An Improved Particle Swarm Optimization for Feature Selection. Journal of Bionic Engineering, 8(2), 191–200. doi:10.1016/S1672-6529(11)60020-6

Maimon, O. (2010). Data Mining And Knowledge Discovery Handbook. New York

Dordrecht Heidelberg London: Springer.

Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal. doi:10.1016/j.asej.2014.04.011

Moraes, R., Valiati, J. F., & Gavião Neto, W. P. (2013). Document-level sentiment classification: An empirical comparison between SVM and ANN. Expert Systems with Applications, 40(2), 621–633. doi:10.1016/j.eswa.2012.07.059

Review Text. (n.d). Juli 15, 2015. http://www.ef.co.id/englishfirst/englishstudy/pengertian-dan-struktur-review-text.aspx

Trend Bisnis 2014. 2014. Juli 15, 2015. http://www.ekonomi holic.com/2014/01/trend-bisnis-2014.html?m=0

Vercellis, C. (2009). Business Intelligence Data Mining And Optimization For Decision Making .United Kingdom: A John Wiley And Sons, Ltd.,Publication.

Weiss, S. M., Indurkhya, Nitin & Zhang, Tong. (2010). Fundamentals of Predictive Text Mining. London: Springer-Verlag

Witten, H. I., Frank, E., & Hall, M. A. (2011). Data Mining Practical Machine Learning Tools And Technique. Burlington: Elsevier Inc

Ye, Q., Zhang, Z., & Law, R. (2009). Sentiment classification of online reviews to travel destinations by supervised machine learning approaches. Expert Systems with Applications, 36(3), 6527–6535. doi:10.1016/j.eswa.2008.07.035

Zhang, L., Hua, K., Wang, H., Qian, G., & Zhang, L. (2014). Sentiment Analysis on Reviews of Mobile Users. Procedia Computer Science, 34, 458–465. doi:10.1016/j.procs.2014.07.013

Zhang, Z., Ye, Q., Zhang, Z., & Li, Y. (2011). Sentiment classification of Internet restaurant reviews written in Cantonese. Expert Systems with Applications, 38(6), 7674–7682. doi:10.1016/j.eswa.2010.12.147

Zhao, M., Fu, C., Ji, L., Tang, K., & Zhou, M. (2011). Feature selection and parameter optimization for support vector machines: A new approach based on genetic algorithm with feature chromosomes. Expert Systems with Applications, 38(5), 5197–5204. doi:10.1016/j.eswa.2010.10.041