Sentiment Analysis Peringkasan Review Film Menggunakan Metode Information Gain dan K-Nearest Neighbor

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 3, Maret 2018, hlm Sentiment Analysis Peringkasan Review Film Menggunakan Metode Information Gain dan K-Nearest Neighbor Ria Ine Pristiyanti 1, Mochammad Ali Fauzi 2, Lailil Muflikhah 3 Program Studi Teknik Informatika, 1 riaine38@gmail.com, 2 moch.ali.fauzi@ub.ac.id, 3 lailil@ub.ac.id Abstrak Review film berisi tentang sebuah opini dari seorang reviewer untuk mendeskripsikan sebuah film. Penilaian mengenai isi dari review film dapat disebut dengan sentiment analysis. Sentiment analysis pada review film terbagi menjadi 2 yaitu berupa review positif dan review negatif. Pengelompokan hasil sentiment analysis dapat dipermudah dengan metode klasifikasi k-nearest neighbor dimana metode ini akan mencari dokumen yang memiliki kedekatan antara dokumen satu dengan yang lainnya. Pada umumnya, data review film memuat isi yang sangat panjang sehingga diperlukan feature selection atau pemangkasan fitur yang berguna untuk mengurangi dimensi pada saat proses klasifikasi. Pada penelitian ini menggunakan metode information gain untuk mengurangi banyak fitur yang digunakan pada saat proses klasifikasi. Metode ini akan memprediksi ada atau tidak adanya term dalam sebuah dokumen sehingga term yang sering muncul memiliki nilai information gain yang rendah sedangkan term yang jarang muncul atau hanya muncul pada salah satu kategori memiliki nilai information gain yang tinggi. Term dengan nilai information gain yang tinggi akan dapat digunakan untuk proses klasifikasi. Hasilnya penggunaan seluruh term untuk klasifikasi menghasilkan akurasi sebesar 92% dimana nilai akurasinya lebih baik dibandingkan dengan adanya feature selection karena adanya penghapusan term yang memiliki nilai information gain yang rendah. Kata kunci: sentiment analysis, feature selection, k-nearest neighbor, information gain Abstract The film reviews contain an opinion from a reviewer to describe a movie. Assessment of the content from the film review can be called by sentiment analysis. Sentiment analysis on movie review is divided into 2 parts, which are positive review and negative review. Grouping of sentiment analysis results can be simplified by the k-nearest neighbor classification method where this method will look for documents that have similarity between one to another document. In general, the movie review data contains very long content required by feature selection or pruning feature to reduce dimensions during classification process. In this case, the method of information gain is used to reduce many features during the classification process. This method will predict the presence or absence of term in a document so the term that frequently appear has low information gain value, however for the term that rarely appear or only appear in one category has high information gain value. The term with high information gain value will be able to be used for classification process. The result for using all of term for classification is 92% accuracy where the accuracy value is better than the feature selection due to the elimination of term having low information gain value. Keywords: sentiment analysis, feature selection, k-nearest neighbor, information gain 1. PENDAHULUAN Review tentang film merupakan kebutuhan bagi semua orang untuk mendapatkan informasi mengenai sebuah film sehingga dapat digunakan untuk membantu mendapatkan informasi tentang isi film yang akan ditonton. Informasi yang bisa didapat melalui sebuah review film adalah mengenai jalan cerita, aktor sampai dengan konflik yang terjadi di dalamnnya serta kelebihan dan kekurangan sebuah film. Informasi-informasi hasil review yang dibuat kemudian digunakan sebagai bahan pertimbangan dalam menentukan kualitas dari sebuah film sehingga pecinta film dapat Fakultas Ilmu Komputer Universitas Brawijaya 1179

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1180 mengetahui sejauh mana film tersebut layak atau tidak layak di tonton. Penilaian mengenai isi dari review film dapat disebut dengan sentiment analysis. Sentiment analysis adalah proses penerapan natural language processing (NLP) dan analisis teks untuk mengidentifikasi dan melakukan ektrak informasi subjektif dari sebuah teks (Hussein, 2016). Sentiment analysis dapat diaplikasikan menggunakan sebuah metode klasifikasi untuk mempermudah dalam pengelompokan data berupa data positif atau data negatif yaitu dengan menggunakan metode k-nearest neighbor. Metode k-nearest neighbor digunakan pada proses klasifikasi dalam sebuah penelitian karena memiliki kesederhanaan dimana prosesnya berdasarkan pada pendekatan pembobotan yang sederhana dan kemudahan dalam implementasi, adaptasi dan proses learning serta memiliki nilai akurasi yang tinggi. Penerapan klasifikasi sentiment analysis menjadi kalimat positif maupun negatif dapat dilakukan setelah pemangkasan pada data subjek yang digunakan untuk mengurangi fitur sehingga menghindari banyaknya dimensi yang digunakan pada saat proses klasifikasi (Khan., dkk, 2016). Review film dapat mempunyai ukuran dataset yang cukup besar baik itu pada data training maupun data testing. Dimensi dan fitur yang berlebihan akan meningkatkan ruang pencarian semakin tinggi sehingga akan menyebabkan kesulitan dalam memproses data dan akan menurunkan kinerja serta membuat data tidak konsisten. Analisis dan mining dalam data juga membutuhkan waktu yang lama dalam pemrosesan data. Pengurangan dimensi dapat diterapkan untuk mengurangi dimensi dari data, dimana nantinya akan meningkatkan kinerja dari tehnik machine learning dengan menghilangkan fitur yang tidak perlu digunakan. Penyelesaian dalam permasalahan penelitian ini menggunakan metode Information Gain yang akan mengukur banyaknya bit yang dibutuhkan untuk memprediksi kategori dengan mengetahui ada atau tidak adanya term dalam suatu dokumen (Singh., dkk, 2010). Information Gain digunakan untuk mencari kriteria term yang baik dalam machine learning, dimana pada penelitian sebelumnya penerapan information gain dalam feature selection pada dataset reuters sebanyak data dan menghasilkan nilai f-measure sebesar 0.86 (Uguz, 2011). 2. DASAR TEORI 2.1 Review Film Film merupakan suatu selaput tipis yang dibuat dari seluloid dimana digunakan sebagai tempat gambar negatif yaitu tempat yang dibuat menjadi potret atau digunakan sebagai tempat gambar positif yaitu tempat untuk dimainkan di bioskop, film juga berarti sebagai lakon dalam cerita yaitu gambar hidup (KBBI, 1990). Review merupakan sebuah teks yang digunakan untuk meninjau suatu karya baik film, buku dan karya lainnya yang memiliki tujuan untuk mengetahui kualitas, kelebihan dan kekurangan yang ada pada karya tersebut serta untuk melakukan kritik terhadap suatu peristiwa atau karya seni bagi khalayak. 2.2 Text Mining Text mining lebih luas dapat diartikan sebagai proses mencari tahu secara intensif dimana pengguna berinteraksi dengan kumpulan dokumen sepanjang waktu dengan menggunakan serangkaian analisis. Kumpulan dokumen merupakan sumber data pada text mining dan pola yang menarik tidak ditemukan pada record database yang terbentuk melainkan pada data kata per kata yang tidak terstruktur pada kumpulan dokumen (Feldman., dkk, 2007). 2.3 Text Preprocessing Proses preprocessing berfungsi untuk proses awal sebelum dokumen teks diolah pada tahap selanjutnya dimana akan dilakukan proses seleksi data yang akan di proses pada setiap dokumen. Proses ini terdiri dari beberapa proses pembersihan dokumen, yaitu case folding, tokenizing, filtering/stopword removal dan stemming (Nugroho, 2011). Dokumen terdiri dari beberapa teks namun tidak semua teks di dalam dokumen konsisten dalam penggunaan huruf kapital sehingga diperlukan case folding untuk mengubah teks dokumen menjadi suatu bentuk standar dimana pada tahap ini akan dirubah menjadi huruf kecil (lowercase). Tokenizing adalah tahap yang dilakukan setelah case folding, dimana pada tahap ini merupakan proses pemotongan string input berdasarkan tiap kata yang menyusunnya. Tokenizing akan memecah sekumpulan karakter dalam suatu teks ke dalam suatu kata. Pada karakter lain selain alfabet akan dihilangkan sehingga dianggap sebagai delimiter seperti.,,,, -, /, [, }, +, dan lain

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1181 sebagainya. Karakter lain yang akan dihapus adalah karakter whitespace yang dapat dianggap sebagai pemisah kata, dimana karakter ini seperti enter, tabulasi, spasi. Karakter ( ), (.), (;), (:) dapat memiliki peran yang cukup banyak sebagai pemisah kata. Filtering adalah proses mengambil katakata penting dari hasil tokenizing. Algoritme stoplist (membuang kata yang dianggap kurang penting) atau wordlist ( menyimpan kata penting) dalam sebuah dokumen digunakan pada tahap ini. Stemming adalah proses normalisasi dari kata hasil tokenizing dan telah dilakukan proses filtering diubah ke dalam bentuk kata dasar. 2.4 Algoritme Stemming Nazief Adriani Algoritme stemming Nazief Adriani merupakan morphologi yang luas dimana akan menggabungkan maupun melakukan atau tidak melakukan rangkuman affixed yang terdiri dari prefixes, suffixes, infixes dan confixes (kombinasi prefixes dan suffixes). 2.5 Sastrawi Stemmer Sastrawi stemmer merupakan library sederhana yang memiliki desain mudah untuk digunakan. Library ini menerapkan algoritme Nazief dan Adriani yang kemudian ditingkatkan menjadi algoritme CS (Confix Stripping), ECS (Enhanced Confix Stripping) dan Modified ECS. Algoritme pada library ini dapat menyelesaikan persoalan stemming seperti mencegah overstemming dengan kamus, mencegah understemming dengan aturan tambahan dan mengurangi kata yang berbentuk jamak. 2.6 Sentiment Analysis Sentiment analysis adalah bagian dari opinion mining, yaitu sebuah proses dalam memahami, preprocessing yaitu mereduksi data dan mengolah sebuah data tekstual secara otomatis untuk mendapatkan informasi. Sentiment analysis adalah proses penerapan natural language processing (NLP) dan analisis teks untuk mengidentifikasi dan melakukan ektrak informasi subjektif dari sebuah teks (Hussein, 2016). 2.7 Klasifikasi Klasifikasi merupakan proses pembagian data menjadi beberapa kelompok dimana memiliki sifat dependen dan independen dimana setiap kelompok berperan sebagai sebuah kelas. Klasifikasi dokumen adalah mengelompokkan suatu dokumen ke dalam kelompok yang telah dikenal sebelumnya secara otomatis berdasarkan isi dokumen melalui sebuah penelitian untuk memperoleh informasi dengan mengembangkan sebuah metode klasifikasi (Tenenboim, L., dkk., 2008). Jadi klasifikasi diartikan sebagai menganalisis label kelas dari suatu data objek, label kelas sudah ada, Tujuannya untuk mengelompokkan pada kelas-kelas yang telah ditentukan. 2.8 K-Nearest Neighbor Algoritme k-nearest neighbor merupakan salah satu metode untuk proses klasifikasi terhadap suatu objek berdasarkan data training yang memiliki jarak paling dekat dengan objek. Penentuan jarak dengan nilai terdekat atau terjauh dihitung berdasarkan jarak Euclidean (J. Nilson, 1996). Proses perhitungan K- Nearest Neighbor (Han., dkk): Preprocessing, langkah pertama adalah menyiapkan data training dan mendapatkan tuple himpunan DS = {(d i, c j ) 0 i < n, 0 j < m} dimana d i adalah term vector representation teks dokumen dan c j categori label. Similarity Measure, menggunakan TF x IDF untuk menghitung bobot setiap term dalam dokumen, sebagai variasi untuk meningkatkan akurasi yang signifikan. Term Frequency merupakan jumlah kemunculan sebuah term dalam sebuah dokumen (Gebre., dkk). TF dapat dirumuskan pada persamaan berikut: w t,d = log(tf t,d + 1) (1) Inverse Document Frequency adalah log dari kebalikan probabilitas term yang ditemukan di dalam dokumen. IDF dapat dirumuskan pada persamaan berikut: idf t = log( n n t ) (2) Cosine similarity adalah fungsi yang digunakan untuk menghitung kesamaan antara semua data training dengan dokumen X. Cosine similarity dapat dirumuskan pada persamaan berikut (Suguna, 2010): SIM (X, d i ) = m j=1 x j.d ij ( m 2 j=1 x j ) ( m 2 j=1 dij ) (3)

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Feature Selection dan Information Gain Feature selection biasa disebut variable selection, attribute selection atau feature subset selection merupakan proses pemilihan fitur yang relevan pada term yang menjadi target dari data learning pada sebuah permasalahan. Information gain adalah salah satu pendekatan yang populer dimana digunakan sebagai kriteria penting dalam sebuah data teks dokumen. Dimana ide awalnya berasal dari information theory. Berikut ini merupakan persamaan dari information gain (Uguz, 2011): C IG(t) = i=1 P(c i ) log P(c i ) C +P(t) i=1 P(c i t) log P(c i t) (4) +P(t ) C i=1 P(c i t ) log P(c i t ) Dimana c i adalah kategori, P(c i) adalah peluang dari kategori, P(t) dan P(t ) adalah peluang term t yang muncul atau tidak muncul dalam dokumen. P(c i t) adalah peluang bersyarat kategori pada term t yang muncul, dan P(c i t ) adalah peluang bersyarat kategori pada term t yang tidak muncul Evaluasi Hasil klasifikasi dapat diuji dengan menggunakan metode pengujian dimana akan diukur tingkat akurasi sistem yang dibuat. Pengujian yang dapat dilakukan terdiri dari beberapa cara yaitu seperti accuracy, precision, recall dan f-measure. Accuracy adalah sebuah tingkat kedekatan antara nilai prediksi dengan nilai aktual. Precision merupakan jumlah jumlah dokumen relevan yang ditemukan dibagi dengan jumlah semua dokumen yang ditemukan. Recall merupakan jumlah dokumen relevan yang ditemukan dibagi dengan jumlah semua dokumen relevan di dalam koleksi (Pendit, 2008). F-measure merupakan kombinasi precision dan recall sebagai harmonic mean. Berikut persamaan Accuracy, Precision, Recall dan F-measure: Accuracy = Precision = Recall = F-Measure TP+TN (5) TP+TN+FP+FN = 2 TP TP+FP TP TP+FN precision x recall precision+recall 3. PERANCANGAN DAN IMPLEMENTASI (6) (7) (8) Proses dalam sistem ini ada tiga yaitu preprocessing, feature selection untuk pengurangan fitur term dan klasifikasi menggunakan metode k-nearest neighbor. Ketiga proses memiliki sub proses dimana masing-masing tahapan akan lebih detail menjelaskan alur dari proses yang dijalankan. Berikut ini merupakan alur jalannya proses secara keseluruhan pada Gambar 1. Gambar 1 Alur Proses Sentiment Analysis Peringkasan Review Dengan Metode Information Gain Dan K-Nearest Neighbor Berdasarkan Gambar 1 sistem akan mengambil data training dan data testing yang akan dilakukan proses klasifikasi. Tahapan selanjutnya sistem akan melakukan proses preprocessing data training dan data testing. Pada data training setelah tahapan preprocessing selesai maka dilakukan proses feature selection yaitu penerapan metode pengurangan term untuk menghapus beberapa term yang dianggap tidak penting dalam sebuah dokumen dan akan digunakan sebagai term data training pada saat proses klasifikasi. Tahapan selanjutnya adalah pemilihan term untuk proses klasifikasi data dimana term yang digunakan pada data testing adalah term hasil preprocessing yang kemudian dicocokkan dengan hasil term dari proses feature

5 Hasil Pengujian Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1183 selection pada data training. Setelah tahap pemilihan kata, tahap selanjutnya adalah klasifikasi data dimana pada tahap ini berfungsi untuk pengelompokkan review film sehingga hasilnya adalah sebuah review film yang termasuk dalam kategori review positif atau kategori review negatif. 4. PENGUJIAN DAN ANALISIS Pada penelitian ini dilakukan beberapa pengujian terhadap hasil penerapan metode gabungan information gain dan k-nearest neighbor. 4.1 Pengujian Nilai k K-Nearest Neighbor Pengujian ini dilakukan dengan menggunakan nilai k yang berbeda untuk mengetahui nilai k yang paling optimal yang akan digunakan untuk proses klasifikasi sehingga akan menghasilkan nilai akurasi yang optimal. Berikut ini merupakan hasil pengujian accuracy, precision, recall dan f-measure variasi penggunaan nilai k terdiri dari 1, 3, 5, 7, 9, 11, 13 dan 15: Pengujian Variasi Nilai k untuk Klasifikasi K-Nearest Neighbor 0,94 0,93 0,92 0,91 0,9 0,89 0,88 0,87 0,86 0,85 Accuracy Precision Recall F-Measure Jenis Pengujian K=1 K=3 K=5 K=7 K=9 K=11 K=13 K=15 Gambar 2 Grafik Variasi nilai k Proses klasifikasi data testing akan diproses untuk menentukan seberapa besar kemiripan antara data testing dan data training. Penentuan besar kemiripan data testing dengan data training tergantung dengan nilai k tetangga terdekat yang akan digunakan. Jika nilai k yang digunakan sesuai maka hasil klasifikasi akan memiliki nilai akurasi yang tinggi namun jika nilai k yang digunakan tidak sesuai maka hasil akurasinya akan rendah. Berdasarkan Gambar 2 diatas nilai k yang paling optimal adalah ketika k=5 karena memiliki nilai accuracy sebesar 92% dimana nilai akurasinya merupakan nilai akurasi tertinggi dibandingkan dengan nilai akurasi pada nilai k yang lain serta nilai precision, recall dan f-measure yang tinggi yaitu 0.93, 0.92 dan Pada penelitian ini kemiripan antara data training dan data testing sangat dekat. Isi dokumen terdiri dari beberapa kalimat yang panjang sehingga term pada data testing dan data training relevan. Pada beberapa data isi dokumen mengandung term yang tidak termasuk ke dalam kategori yang sebenarnya namun karena jumlahnya tidak banyak maka kecenderungan dokumen untuk tidak termasuk ke dalam kategori yang sesuai sangat kecil sehingga kebanyakan dokumen termasuk ke dalam kategori yang sebenarnya. 4.2 Pengujian Variasi Penggunaan Jumlah Term Hasil Information Gain untuk Klasifikasi Pengujian ini berfungsi untuk mengetahui pengaruh variasi banyaknya term data training yang digunakan terhadap hasil klasifikasi menggunakan k-nearest neighbor. Pemilihan banyaknya term data training yang digunakan untuk proses klasifikasi berdasarkan hasil perhitungan information gain pada masingmasing term. Hasil information gain pada masing-masing term diurutkan dari nilai tertinggi ke rendah. Term dengan nilai information gain tertinggi memiliki peluang untuk digunakan pada saat proses klasifikasi, sebaliknya term yang memiliki nilai information gain yang lebih rendah tidak akan digunakan untuk proses klasifikasi. Variasi banyaknya jumlah term data training yang digunakan pada saat proses klasifikasi adalah 33% dan 66% term dengan nilai information gain tertinggi dari jumlah seluruh term pada data training. Term data testing yang akan diuji kemudian dicocokkan dengan hasil term information gain pada saat klasifikasi untuk menentukan seberapa besar kemiripan antara data testing dan data training. Hasil pengujian accuracy, precision, recall dan f-measure variasi jumlah term seperti pada Gambar 3:

6 Hasil Pengujian Berdasarkan Banyak Term Hasil Pengujian Berdasarkan Jumlah Term Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1184 Pengujian Variasi Penggunaan Jumlah Term Hasil Information Gain 0,95 0,85 0,75 0,65 0,55 0,45 Jenis Pengujan 33% 66% 100% Gambar 3 Grafik Pengujian Jumlah Term hasil Information Gain Gambar 3 menunjukkan hasil pengujian variasi penggunaan banyak jumlah term hasil information gain untuk klasifikasi. Pada penggunaan term sebesar 33% memiliki nilai akurasi rendah yaitu sebesar 0.5. Pada saat penggunaan term sebesar 66% memiliki akurasi sebesar yang lebih besar Hal ini dipengaruhi beberapa faktor diantaranya adalah term yang seharusnya digunakan untuk klasifikasi memiliki nilai information gain yang rendah sehingga term dihapus dan tidak digunakan pada saat proses klasifikasi. Pada penelitian ini 33% term dengan nilai nilai information gain tertinggi merupakan term yang muncul satu kali pada data training sedangkan term terendah adalah term yang muncul hampir di semua data training. Selain itu, batas banyaknya pengambilan term berpengaruh terhadap term yang akan diambil, dimana term yang memiliki nilai information gain yang sama akan dihapus ketika batas telah ditentukan. 4.3 Pengujian Variasi Penggunaan Jumlah Term Berdasarkan Threshold Nilai Information Gain Pengujian ini berfungsi untuk mengetahui pengaruh dari pemilihan jumlah term pada saat proses klasifikasi. Term dengan nilai information gain yang sama akan dianggap sebagai term yang sama sehingga term tetap digunakan meskipun batas term telah ditentukan. Hasil pengujian jumlah term seperti pada Gambar 4: Pengujian Variasi Penggunaan Variasi Jumlah Term Berdasarkan Threshold Nilai Information Gain 0,95 0,9 0,85 0,8 0,75 0,7 0,65 0,6 Jenis Pengujian 33% 66% 100% Gambar 4 Grafik Pengujian Variasi Penggunaan Jumlah Term Berdasarkan Threshold nilai Information Gain Gambar 4 menunjukkan semakin besar jumlah term yang digunakan semakin besar nilai akurasinya. Penggunaan 66% jumlah term memiliki nilai akurasi yang lebih besar dari penggunaan 33% jumlah term. Jika dibandingkan dengan pengujian sebelumnya pengujian ini memiliki peningkatan nilai akurasi pada saat penggunaan term sebesar 33%. Pada saat penggunaan jumlah term 33% dari jumlah seluruh term dimana term yang memiliki nilai information gain yang sama akan digunakan pada saat proses klasifikasi menghasilkan akurasi sebesar 0.68 dan hasilnya lebih baik dibandingkan dengan penggunaan 33% jumlah term tanpa memperhatikan term nilai information gain yang sama. Sedangkan pada saat penggunaan jumlah term 66% dengan memperhatikan nilai information gain yang sama memiliki nilai akurasi yang lebih rendah dibandingkan dengan penggunaan 66% penggunaan jumlah term sesuai batas yang ditentukan. Pada pengujian sebelumnya hasil 66% jumlah term yang digunakan pada saat proses klasifikasi memiliki jumlah term yang lebih banyak pada salah satu kategori namun pada pengujian ini 66% jumlah term yang digunakan untuk klasifikasi memiliki jumlah yang sama pada masing-masing kategori

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1185 sehingga masing-masing data memiliki peluang yang sama. Hasilnya adalah pengklasifikasian data berdasarkan nilai kedekatan data testing pada masing-masing kategori. 5. KESIMPULAN Berdasarkan hasil pengujian dan analisis hasil penelitian ini dapat diambil kesimpulan bahwa pada saat pemilihan term yang digunakan untuk proses klasifikasi menggunakan metode information gain menghasilkan term unik dimana term yang muncul sekali memiliki nilai information gain tertinggi. Term yang hanya muncul pada salah satu kategori memiliki nilai information gain lebih tinggi jika dibandingkan dengan term yang muncul pada semua kategori. Term yang memiliki nilai information gain terendah adalah term yang muncul pada hampir semua data training. Nilai information gain akan berpengaruh terhadap term yang akan digunakan pada saat proses klasifikasi, dimana term yang memiliki nilai information gain yang tinggi maka akan digunakan pada saat proses klasifikasi sedangkan term dengan nilai information gain terendah akan dihapus. Pada pengujian nilai k, penggunaan k=5 merupakan penggunaan k yang optimal untuk proses klasifikasi menggunakan metode k-nearest neighbor dimana menghasilkan nilai akurasi sebesar 92%. Pada pengujian variasi jumlah term yang digunakan untuk proses klasifikasi berbanding lurus dengan hasil akurasi, dimana semakin sedikit jumlah term yang digunakan maka semakin kecil hasil akurasi sebaliknya semakin besar jumlah term yang digunakan maka semakin besar nilai akurasinya, sedangkan pada pengujian banyak jumlah term yang digunakan berdasarkan threshold nilai information gain penggunaan 66% dari jumlah term memiliki nilai akurasi yang lebih rendah jika dibandingkan dengan penggunaan 66% tanpa memperhatikan nilai information gain yang sama. Pengujian penggunaan term hasil information gain berpengaruh terhadap hasil klasifikasi menggunakan k-nearest neighbor. Hasilnya perpaduan antara penggunaan feature selection dengan metode information gain dengan metode k-nearest neighbor menghasilkan akurasi yang rendah dibandingkan dengan metode k-nearest neighbor karena term yang relevan memiliki nilai information gain yang rendah sehingga akan dihapus pada saat proses feature selection dan tidak digunakan pada saat proses klasifikasi. Berdasarkan kesimpulan yang ada, apabila pembaca ingin mengembangkan penelitian lebih lanjut ada beberapa kriteria lain yaitu diperlukan pengujian dengan menggunakan metode feature selection yang lain selain information gain untuk mengetahui metode feature selection lain memiliki nilai akurasi yang lebih baik atau tidak. Selain itu, diperlukan pengujian dengan menggunakan metode klasifikasi yang lain untuk mengetahui nilai akurasi jika digabungkan dengan metode information gain. Metode information gain tidak dapat membedakan antara term sentiment analysis dengan kata bukan sentiment analysis. Oleh karena itu pada penelitian selanjutnya diperlukan metode yang dapat membedakan antara term sentiment analysis atau bukan. Membedakan antara term positif dan negatif diperlukan jika term yang menunjukkan sentiment terdiri dari dua suku kata untuk mengetahui term yang merupakan term positif atau term negatif. Oleh karena itu pada penelitian selanjutnya diperlukan metode untuk menggabungkan dua suku kata yang berdampingan menjadi satu suku kata yang merupakan term positif atau negatif. DAFTAR PUSTAKA Feldman, Ronen and James Sanger., The Text Mining Handbook. Cambridge: Cambridge University Press. Cambridge. Gebre, B., Zampieri, M., Wittenburg, P., Heskes, T., Improving Native Language Identification with TF-IDF Weighting. Han, X., Liu, J., Shen, Z., Miao., An Optimized K-Nearest Neighbor Algorithm for Large Scale Hierarchical Text Classification. Hussein, D.M., A Survey on Sentiment Analysis Challenges, Cairo: Journal of King Saud University. J. Nilsson, Nill., Introduction To Machine Learning. Stanford University. Khan, M.T., Durrani, M., Ali, A., Inayat, I., Khalid, S., Khan, H., Sentiment analysis and the complex natural language, Pakista: Complex adaptive system modeling. Nugroho, Eko., Perancangan Sistem Deteksi Plagiarime Dokumen Teks

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1186 Dengan Menggunakan Algoritma Robin-Karp. Program Studi Ilmu Komputer, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Brawijaya Malang. Pendit, Putu Laxman., Perpustakaan Digital Dari A Sampai Z. Jakarta: Cita Karya Karsa Mandiri. Singh, S.R., Murthy, H.A., Gonsalves, T.A., Feature Selection for Text Classification Based on Gini Coeficient of Inequality, 10, pp Suguna, N., Thanushkodi, K., An Improved K-Nearest Neighbor Classification Using Genetic Algorithm. Tenenboim, L., Shapira, B., & Shoval, P., Ontology-based classification of news in an electronic news paper Paper presented at Intelligent Information and Engineering Systems Conference. Bulgaria. Tim Penyusun Kamus Pusat Pembinaan dan Pengembangan Bahasa, Kamus Besar Bahasa Indonesia, Jakarta: Balai Pustaka. Uguz, H., A Two-Stage Feature Selection Method For Text Categorization By Using Information Gain, Principal Component Analysis And Genetic Algorithm, pp , Turkey: Elsevier. Wicaksono, A. F., Nio, Ellen., Myaeng, S. H., Unsupervised approach for sentiment analysis on Indonesian Movie Reviews. Korea: Korea Advance Institute of Science and Technology.