Full Tesis

Full Tesis

• By Rachmi, Hilda;
• Tesis
• 226

Analisis sentimen menganalisis pendapat orang-orang, sentimen, sikap, penilaian, evaluasi, dan emosi terhadap entitas seperti produk, jasa, peristiwa, organisasi, individu, masalah, topik dan atributnya. Analisis sentimen dari data pelanggan melalui website sangat penting dalam skenario bisnis saat ini karena setiap kali harus membuat keputusan seseorang perlu mendengar pendapat orang lain. Informasi ini dapat digunakan untuk riset pasar, umpan balik produk dan menganalisis efektivitas layanan pelanggan. Masalah pada penelitian ini yaitu pemilihan fitur untuk meningkatkan akurasi Support Vector Machine serta mencari nilai parameter untuk mendapatkan akurasi yang paling tinggi pada analisis sentimen review pengiriman barang serta menghasilkan klasifikasi hasil review negatif dan positif dengan tepat. Penulis menggunakan Principal Component Analysis dan Genetic Algorithm sebagai optimasi untuk meningkatkan akurasi pada metode Support Vector Machine. Akurasi yang dihasilkan pada algoritma Support Vector Machine sebesar 78,67%, setelah dioptimasi dengan menggunakan Principal Component Analysis dan Genetic Algorithm akurasi mengalami peningkatan menjadi 98,33%. Dapat disimpulkan bahwa penerapan optimasi dapat meningkatkan akurasi dan model Support Vector Machine berbasis Principal Component Analysis dan Genetic Algorithm dalam memberikan solusi terhadap permasalahan klasifikasi analisis sentimen review pengiriman barang yang menghasilkan review negatif dan positif dengan lebih akurat.

• Katakunci Tesis, Analisis Sentimen, Support Vector Machine
• URL http://
• Penerbit STMIK Nusa Mandiri, Jakarta DKI Jakarta

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, 453–462. http://doi.org/10.1016/j.proeng.2013.02.059

Chandani, V. 2015. Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film, Journal of Intelligent Systems, 55–59.

Dawson, C. W. 2009. Projects in Computing and Information Systems. England: Pearson Education Limited.

Elkan, C. 2013. Predictive analytics and data mining. Technical report, Cato Institute.

Feldman. 2007. The Text Mining Handbook. New York: Cambridge Univesity Press.

Ghiassi, M., Skinner, J., & Zimbra, D. 2013. Twitter brand sentiment analysis: A hybrid system using n-gram analysis and dynamic artificial neural network. Expert Systems with Applications, 40(16), 6266–6282. http://doi.org/10.1016/j.eswa.2013.05.057

Gorunescu, F. 2011. Data mining: concepts and techniques. Springer-Verlag Berlin Heidelberg. http://doi.org/10.1007/978-3-642-19721-5

Gunal. 2012. Hybrid feature selection for text classification, Turk J Elec Eng & Comp Sci, 20. http://doi.org/10.3906/elk-1101-1064

Kontopoulos, E., Berberidis, C., Dergiades, T., & Bassiliades, N. 2013. Ontology-based sentiment analysis of twitter posts. Expert Systems with Applications, 40(10), 4065–4074. http://doi.org/10.1016/j.eswa.2013.01.001

Kurniawan. 2013. Optimasi Algoritma Support Vector Machine (SVM), Jurnal Teknologi Informasi, 9 (April), 38–49.

Liu, B. 2010. Sentiment Analysis and Subjectivity, 1–38. Chicago: Handbook of Natural Language Processing

Liu, B. 2012. Sentiment Analysis and Opinion Mining. Chicago: Morgan & Claypool Publishers.

Made, N., Lestari, A., Gede, I. K., Putra, D., Ketut, A. A., & Cahyawan, A. 2013. Personality Types Classification for Indonesian Text in Partners Searching Website Using Naïve Bayes Methods, 10(1), 1–8.

Miner, G., Delen, D. 2012. The Seven Practice Areas of Text Analytics, (January), 29–41. Elsevier Inc. http://doi.org/10.1016/B978-0-12-386979-1.00002-5

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. http://doi.org/10.1016/j.eswa.2012.07.059

Morchid, M., Dufour, R., Bousquet, P.-M., Linarès, G., & Torres-Moreno, J.-M. 2014. Feature selection using Principal Component Analysis for massive retweet detection. Pattern Recognition Letters, 49, 33–39. http://doi.org/10.1016/j.patrec.2014.05.020

Noviati. 2015. Analisis Pengaruh Seleksi Fitur pada Klasifikasi Konsentrasi. Semarang. Jurnal Nasional Sains dan Teknologi.

Pang, B., & Lee, L. 2008. Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval. 2 (1).

Pratama, E. E., & Trilaksono, B. R. 2014. Klasifikasi Keluhan Pelanggan Berdasarkan Tweet dengan Menggunakan Metode Support Vector Machine ( SVM ). Bandung: Jurnal Teknik Elektro dan Informatika.

Puspaningrum, E. Y., & Syidada, S. 2010. Reduksi Fitur Untuk Kategorisasi Text Dengan, 2–5. Surabaya: Jurnal Teknik Informatika.

Puspitaningrum. 2014. Dampak Reduksi Sampel Menggunakan Principal Component Analysis (PCA) Pada Pelatihan Jaringan Saraf Tiruan Terawasi - 2014. Bengkulu: Jurnal Pseudocode.

Sartono. 2010. Pengenalan Algoritma Genetik Untuk Pemilihan Peubah Penjelas Dalam Model Regresi Menggunakan SAS / IML ( An Introduction to Variables Selection in Regression Analysis using Genetic Algorithm with SAS / IML ) Bagus Sartono Peneliti di Data Mining Center – , 15(2), 10–15.

Singh, P., & Pandi, G. S. 2015. Opinion Mining Techniques for Social Network Analysis : A Survey, 2(12), 350–354. International Journal for Scientific Research & Development.

Swati. 2015. SVM Based Improvement In KNN For Text. International Journal of Engineering Research and General Science. 3(4), 214–220.

Tan, S., & Zhang, J. 2008. An empirical study of sentiment analysis for chinese documents. Expert Systems with Applications, 34(4), 2622–2629. http://doi.org/10.1016/j.eswa.2007.05.028

Thakor, P., & Sasi, S. 2015. Ontology-based Sentiment Analysis Process for Social Media Content. Procedia Computer Science, 53, 199–207. http://doi.org/10.1016/j.procs.2015.07.295

Vercellis, C. 2009. Business Intelligence: Data Mining and Optimization for Decision Making. United Kingdom: A John Wiley and Sons, Ltd., Publication.

Wahyuni, D. T., & Luthfiarta, A. 2004. Prediksi Hasil Pemilu Legislatif DKI Jakarta Menggunakan Naïve Bayes Dengan Algoritma Genetika Sebagai Fitur Seleksi. Semarang: Jurnal Teknik Informatika FIK UDINUS.

Wan, C. H., Lee, L. H., Rajkumar, R., & Isa, D. 2012. A hybrid text classification approach with low dependency on parameter by integrating K-nearest neighbor and support vector machine. Expert Systems with Applications, 39(15), 11880–11888. http://doi.org/10.1016/j.eswa.2012.02.068

Wang, Z. 2015. Enhancing Machine-Learning Methods for Sentiment Classification of Web Data Enhancing Machine-Learning Methods for Sentiment, (September). Switzerland: Springer International Publishing.

Wayan, N., Saraswati, S., Prodi, S., Informatika, T., Denpasar, S., Tukad, J., & No, B. 2013. Naïve Bayes Classifier Dan Support Vector Machines Untuk Sentiment Analysis, 2–4. Bali: Seminar Nasional Sistem Informasi Indonesia.

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. http://doi.org/10.1016/j.eswa.2010.12.147