SENTIMENT ANALYSIS DOKUMEN E-COMPLAINT KAMPUS MENGGUNAKAN ADDITIVE SELECTED KERNEL SVM

Transkripsi

1 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA. SENTIMENT ANALYSIS DOUMEN E-COMPLAINT AMPUS MENGGUNAAN ADDITIVE SELECTED ERNEL SVM Imam Cholssodn Bud Darma Setawan Teknk Informatka Program Teknolog Informas dan Ilmu omputer Unverstas Brawjaya Jl. Veteran No.8 Malang Informatka Gedung A PTII UB Emal : mams@ub.a.d s.buddarma@ub.a.d ABSTRA Teknolog merupakan salah satu kun utama pelayanan prma pada lembaga manapun. E-Complant merupakan bagan dar lembaga penddkan dalam kampus yang mengelola data keluhan sebaga tolak ukur pelayanan prma dan deteks dn kelemahan dar semua sstem pelayanan yang ada. Data keluhan yang dkelolapun sangat beragam dan jumlahnya bertambah seara sgnfkan. Hal n tdak sebandng dengan jumlah sumber daya manusa yang ada dalam lembaga tersebut. Jka dokumen tersebut dkelola dengan ara manual maka akan membutuhkan usaha ukup besar dan waktu yang ukup lama. Selan tu mayortas data keluhan selalu dentk dengan kata-kata yang negatf. Namun tdak semua dokumen yang mengandung kata-kata negatf termasuk dalam kelas sentment negatf karena bsa jad ternyata dokumen komplan tersebut mengandung krtk yang membangun. Hal nlah yang menjad topk utama pada peneltan n. Dar berbaga permasalahan tersebut maka sangat dbutuhkan proses pengelolahan dokumen komplan seara realtme epat dan akurat dengan sstem yang mampu melakukan fltersas seara otomats untuk menyeleks dokumen komplan mana saja yang postf dan negatf sebelum dlakukan proses tndak lanjut untuk menyelesakan komplan tersebut. SVM merupakan salah satu metode yang sangat handal dalam melakukan proses klasfkas data yang memlk tngkat kemrpan tngg karena mampu mengolah data bak lnear maupun non-lnear dengan menggunakan kernel trk pada dmens tngg dan tdak tergantung pada banyaknya ftur yang dgunakan. Dalam peneltan n dgunakan metode addtve seleted kernel SVM dengan menambahkan teknk densty of doument DoD untuk membantu dalam mengoptmalkan hasl penaran ttk data dar dokumen. Addtve seleted kernel bekerja dengan melakukan penambahan beberapa fungs kernel untuk membuat fungs hyperplane dengan teras yang sngkat dan optmal. Dar hasl pengujan semua skenaro perobaan dengan menggunakan metode tersebut ddapatkan rata-rata akuras sebesar 98.60%. ata un: Sentment Analyss Support Vetor Mahne Addtve Seleted ernel Informaton Retreval Dokumen E-Complant. PENDAHULUAN Dalam mengajukan sebuah komplan atau saran bag vtas akademka kampus seseorang dharapkan memberkan nformas dengan detal terkat apa yang ngn dsampaka. Sehngga lembaga E-Complant dapat dengan mudah untuk membantu menanggap dan menyampakan kepada phak-phak yang terkat. Namun selama n proses pengelolaan dokumen E-Complant tersebut mash dlakukan seara manual tanpa adanya sstem otomas untuk melakukan pengelolaan lebh epat menggunakan sstem komputersas yang dapat bekerja mrp dengan manusa. Alasan dlakukan peneltan pada topk n karena memang kebanyakan perseps seseorang dalam menla dokumen E-Complant selalu mengkategorkan sebaga dokumen yang negatf. Bag kam hal n justru menark untuk dlakukan pengkajan sebaga objek peneltan karena bsa jad bahwa ketka dokumen komplan tersebut bers kata-kata yang danggap negatf tetap justru memuat krtk yang sangat membangun. Addtve kernel termasuk kernel yang banyak dgunakan untuk proses klasfkas gambar berdasarkan hstogramnya [5]. Addtve kernel SVM menawarkan perbakan yang sgnfkan dalam akuras dbandngkan dengan kernel lannya. Sehngga kernel n sangat prakts untuk mengelola klasfkas data pada skala besar maupun yang bersfat realtme. Peneltan tersebut menyajkan perobaan pada berbaga dataset termasuk INRIA person Damler- Chrysler pedestrans UIUC Cars Calteh-0 MNIST dan USPS dgts untuk menunjukkan efektvtas dan efsens dar algortma SVM dengan addtve kernel. Selan tu addtve kernel juga mampu mempersngkat proses teras dar algortma pelathan SVM. Sentment analyss telah dkembangkan dengan banyak ara untuk mempersepskan s dar suatu dokumen. Dokumen yang dambl dar forum dskus onlne memungknkan pengguna nternet

2 untuk mengekspreskan pendapat mereka tentang berbaga maam topk melalu dokumen tersebut. arena jumlah dokumen topk d nternet tumbuh seara eksponensal maka untuk membantu pengguna nternet memaham dokumen topk yang banyak dengan epat dan mudah dperlukan metode khusus sesua dengan bass permasalahan yang dgunakan. emudan pada peneltan yang lan mengusulkan pendekatan berbass ontolog untuk menngkatkan hasl klasfkas yang dkombnas dengan metode SVM pada dokumen yang membahas tentang revew perangkat lunak [6]. Akan tetap peneltan tersebut hanya sebatas melhat tngkat kedetalan dar deskrps kelebhan dan kekurangan suatu perangkat lunak tanpa mempertmbangan revew sentment negatf maupun postf dar pelanggan atau phak terkat. emudan dsusul peneltan tentang sentment analyss pada teks berbahasa Indonesa menggunakan mamum entropy dan SVM [7]. Mereka mengdentfkas bahwa seseorang enderung untuk mengekspreskan pendapat hanya dalam bentuk teks sementara emoton jarang dgunakan dan kadang-kadang tdak sesua dengan apa yang dbarakan. Mereka juga mengdentfkas bahwa tulsan d meda sosal Indonesa dapat dklasfkaskan tdak hanya untuk pertanyaan postf negatf netral dan tetap juga untuk kasus khusus pada kata-kata yang sedkt alay dan sult dmengert oleh komputer. Peneltan tersebut mendapatkan akuras sebesar 83.5%. Pada peneltan n kam mengusulkan teknk sentment analyss dengan menggunakan metode addtve seleted kernel SVM dengan menambahkan teknk densty of doument DoD pada saat pengamblan ftur kata-kata postf dan negatf dar dokumen serta menyeleks penggunaan fungs kernel sebelum dlakukan proses addtve. Hal n untuk menjaga agar hasl mappng data dar dua fungs kernel yang berbeda tersebut dapat dhtung tanpa menggunakan pendekatan sehngga ddapatkan solus yang menghaslkan nla eksak untuk setap parameter pada fungs hyperplane yang dbentuk. emudan untuk melakukan proses seleks fungs kernel tersebut kam menggunakan dentfkas dar kesamaan dmens hasl mappng datanya. Jka dmens mappng datanya tdak sama dengan hasl mappng data kernel lannya maka proses addtve tersebut tdak dapat dlakukan. Langkah pertama dalam metode yang dusulkan n sstem melakukan proses pelathan setap data dokumen E-Complant dengan menggunakan beberapa kombnas jens kernel serta varas besarnya raso data tranng dan testng yang telah dtentukan sebelumnya. Langkah yang kedua yatu menambahkan dua fungs kernel polynomal pada derajat dua dan konstanta yang dnams. emudan langkah yang terakhr adalah melakukan proses pengujan terhadap semua data dokumen pada setap kombnas skenaro untuk mendapatkan hasl klasfkas yang optmal. MODEL ANALISIS DESAIN DAN IMPLEMENTASI. E-Complant Penjamnan mutu qualty assurane penddkan tngg sebaga proses penetapan dan pemenuhan standar mutu penddkan seara konssten dan berkelanjutan dmaksudkan agar pelanggan memperoleh kepuasan serta menghaslkan pengembangan berkelanjutan ontnous mprovement d perguruan tngg. Agar perbakan dan pengembangan dapat dlakukan dengan epat dan terus-menerus serta kepuasan pelanggan senantasa terpenuh keluhan yang dsampakan oleh pelanggan sebenarnya merupakan masukan yang sangat berharga dan harus dtndaklanjut seara tepat dan terjamn. eluhan pelanggan juga merupakan salah satu nstrumen untuk melakukan evaluas dan deteks dn terhadap kelemahan sstem ataupun penympangan terhadap pelaksanaan dokumen manual mutu. Hal n juga sangat dperlukan untuk menapa standar World Class Unversty []. Pada Gambar merupakan data statstk keluhan pelanggan dalam bentuk pe hart yang dambl pada pertengahan tahun 03. Dar gambar tersebut terlhat bahwa urutan prosentase keluhan terbesar sampa yang terkel adalah Vs Ms Tujuan dan Sasaran serta Strateg Penapaan sebesar.07% Tata Pamong epmpnan Sstem Pengelolaan dan Penjamnan Mutu sebesar 6.7% Mahasswa dan Lulusan sebesar 4.35% Sumberdaya Manusa sebesar.0% urkulum Pembelajaran dan Suasana Akademk sebesar 8.39% Pembayaan Sarana dan Prasarana Sstem Informas sebesar 4.75% Peneltan Pengabdan kepada Masyarakat erjasama sebesar.0% serta Layanan Teknolog Informas sebesar 9.70%. Gambar. Statstk E-Complant

3 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA.. Tet Preproessng Tet Preproessng adalah suatu proses pengubahan bentuk data belum terstruktur menjad data yang terstruktur sesua kebutuhannya untuk proses dalam data mnng. Tujuan dlakukan preproessng adalah memlh setap kata dar dokumen dan merubahnya menjad kata dasar yang memlk art sempt dan proses teks mnng akan memberkan hasl yang lebh memuaskan. Tahapan tet preproessng menurut Mooney terbag menjad lma tahap yatu tokenng flterng stemmng taggng dan analyng [8]. Dalam dokumen E- Complant berbahasa Indonesa kam memodfkas tahapan tet preproessng menjad sepert pada Gambar dbawah n. TOENIZING FILTERING STEMMING TERM WEIGHTING Gambar. Tahap Preproessng.3 Densty of Doument epadatan dokumen atau Densty of Doument DoD n tanpa menggunakan konsep peluang artnya tdak ada pembagan banyaknya kemungknan semua kata yang ada pada semua dokumen akan hanya tetap menggunakan tngkat banyaknya kata yang dtulskan oleh user akan dberkan nla per 00 kata. Total DoD worddoc 00 Semakn banyak kata yang dtulskan maka semakn besar kemungknan user tersebut mengeluh. dan semakn besar kemungknan dokumen tersebut masuk kelas negatf walaupun tdak bsa dpastkan seara langsung hanya menggunakan ftur kata postf dan negatf. Oleh sebab tulah dperlukan faktor penambahan kepadatan dokumen sebaga buffer dan penyembang dokumen sekalgus untuk membuat unk poss dar ttk data dokumen. Alasan lannya adalah agar ttk data satu dokumen dengan dokumen yang lannya salng berpenar dengan maksmal dan tdak overlappng. Jka menggunakan nla peluang maka nla penaran ttk datanya menjad kurang optmal. Rumus n kam modfkas dar peneltan sebelumnya yang menggunakan pendekatan Densty Probablst Doument Correlaton DPDC [4]..4 Sentment Analyss Sentment Analyss seara umum bertujuan untuk mengekstrak skap dan perasaan pelanggan darnya ddapatkan ulasan terstruktur dengan memsahkan nformas seara objektf dar nformas lannya. Sentment analyss merupakan sebuah abang peneltan d bdang Tet Mnng yang mula nak daun pada awal tahun 00. Rset tersebut mula marak setelah paper dar B. Pang dan L. Lee dpublkaskan keseluruh duna [9]. Seara umum sentment analyss n dbag menjad dua kategor besar [0] : Coarse-graned sentment analyss. Fned-graned sentment analyss. Coarse-graned sentment analyss adalah melakukan proses analss pada level dokumen. Sngkatnya adalah menoba mengklasfkaskan dan berorentas pada sebuah dokumen seara keseluruhan. Orentas n ada 3 jens : Postf Netral dan Negatf. Akan tetap ada juga yang menjadkan nla orentas yang bersfat kontnu atau tdak dskrt. Sedangkan Fned-graned sentment analyss merupakan kategor yang sedang jad trend sekarang. Maksudnya adalah para penelt sebagan besar berfokus pada jens n. Obyek yang ngn dklasfkas bukan berada pada level dokumen melankan sebuah kalmat pada suatu dokumen ontoh : Saya tdak suka mendengar pendapat postf dar orang lan. negatf. Saran dan krtk tersebut terbukt sangat membantu nsttus kam. postf. Seara gars besar Sentment analyss terdr dar 3 subproses utama []. Masng-masng subproses n bsa djadkan topk rset seara terpsah karena masng-masng subproses n membutuhkan teknk yang tdak mudah : Subjetvty Classfaton Menentukan kalmat yang merupakan opn. Orentaton Deteton Menentukan apakah opn tersebut postf netral atau negatf. Opnon Holder and Target Deteton Menentukan bagan yang merupakan opn holder dan yang merupakan target utama opn..5 Addtve ernel SVM Insalsas data pelathan yang dgunakan dengan dberkan label dalam bentuk n y R y N menggunakan formulas C- SVM []. Untuk kasus lnear algortma tersebut terbukt dapat menemukan hyperplane terbak yang dapat memsahkan data dengan memnmalkan fungs berkut : y w b dan 0 N w w C untuk C > 0 adalah trade off pada onstrant. Fungs kernel 3 dmana

4 pada ttk data : Rn Rn R merupakan hasl nner produk dar dan 4. Fungs mappng data tersebut sangat sult sekal untuk dtemukan nla-nlanya dar dmens tngg yang menghaslkan nla nner produk sama dengan. arena kesultan tersebut maka sstem mengendalkan seara langsung dar fungs kernel yang dgunakan. emudan untuk mendapatkan persamaan hyperplane yang optmal dapat dgunakan persamaan berkut : N W j j y y j 3 untuk : N 0 C dan 0 fungs keputusannya adalah f m y b 4 y sgn f dmana : 5 Perhatkan bahwa Persamaan 3 hanya membutuhkan akses ke fungs kernel saja tanpa harus melakukan mappng data dengan fungs. m adalah banyaknya support vetor. Sehngga hal n memungknkan seseorang untuk memeahkan formulas dalam ruang ftur yang berdmens tngg dengan sangat efsen langkah nlah yang dsebut sebaga kernel trk. Untuk kernel lnear kta dapat menggunakan fungs kernel dan fungs hyperplane f w b w dapat dhtung dengan rumus dan b w. w. w dmana vektor m y. Jka pada kasus nonlnear vektor w dapat dhtung dengan rumus m w y b dan konstanta b dengan rumus w. w. husus untuk addtve seleted kernel dgunakan rumus n dan sebaga f w b. f dapat dtuls.6 Sequental Tranng SVM Salah satu metode palng sederhana yang dgunakan untuk mendapatkan gars atau bdang hyperplane yang optmal dalam SVM adalah metode sequental yang telah dkembangkan oleh Vjayakumar [3] berkut langkah-langkahnya. Pertama nsalsas nla parameter yang dgunakan. Msal set 5 5learnng rate C= varabel slak IterMa=000 dan epslon. edua set 0 lalu menghtung matrk D j sebaga matrk Hessan. D y y dan j= N. j j j N adalah banyaknya data. etga lakukan a b dan berkut dengan = sampa N. a N j j E D b mn ma E j C merupakan varabel tunggal dan bukan bentuk dar perkalan dan. embal ke langkah etga sampa pada konds IterMa atau ma. Support vetor SV ThresholdSV nla ThresholdSV dtentukan dar hasl beberapa kal perobaan. Nla threshold tersebut adalah ThresholdS V 0. Selesa. 3 SENARIO UJI COBA Dalam peneltan n kam menggunakan kernel lnear kernel polynomal degree dan degree up. Skenaro yang dgunakan adalah dengan melakukan proses tranng dan testng seara berkesnambungan pada beberapa raso atau perbandngan data yang dplh seara aak. Pada kernel polynomal tersebut kam melakukan ujoba dengan mengkombnaskan beberapa nla konstanta pada kernel untuk dbandngkan hasl akurasnya. Berkut detal dar skenaro yang dgunakan. Menggunakan metode sequental SVM untuk melakukan proses tranng pada ttk-ttk data dokumen [3]. ombnas nla konstanta yang dplh yatu [] [] [3] [4] [5] [] dan [5]. ombnas n dgunakan untuk kernel addtve yang telah dseleks. Raso perbandngan data tranng dan testng yang dgunakan adalah [80:0] [70:30] [60:40] [50:50] dan [40:60] dalam satuan persen %. emudan untuk vsualsas data dgunakan model dua dmens dan tga dmens hal n sangat berguna dalam menganalss mappng data satu dengan data yang lannya dalam kelas yang sama maupun yang berbeda. Menggunakan kernel polynomal tpe degree dan up to degree untuk addtve seleted kernel karena setelah kam mengurakan beberapa bentuk dar kernel tersebut dketahu bahwa fungs kernel polynomal n mash relatf mudah untuk dtemukan hasl mappng data

5 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA. pada dmens tngg dar pada menggunakan kernel yang lan. Selan tu dar hasl perobaan kam pada proses testng menggunakan seara langsung hasl mappng data dan ternyata dapat lebh mengoptmalkan hasl akuras jka dbandngkan dengan menggunakan pendekatan fungs kernel seara langsung untuk menggantkan hasl mappng data pada dmens tngg yang sult sekal untuk dtentukan pada beberapa kernel lannya. Artnya bahwa pendekatan d sn tdak selalu memberkan solus eksak akan tetap dapat mendekat solus sebenarnya dan memang banyak yang sudah menggunakan karena alasan sult mendapatkan mappng datanya. Hasl mappng data dokumen E-Complant n awalnya hanya memanfaatkan ftur frekuens kata yang negatf maupun yang postf akbatnya banyak dar beberapa dokumen tersebut memlk nla ftur yang sama sehngga hasl vsualsas mappng ttk datanya terlhat salng overlap. Untuk mengatas hal tersebut kam mengambl langkah penambahan faktor densty of doument DoD. Asumsnya adalah semakn padat kata-kata yang dungkapkan oleh user maka akan semakn memperkuat pont krtkan yang dsampakan. Dan pont krtkan n basanya mengarah kepada dokumen yang bermakna kepada penekanan bak tu krtk postf maupun negatf. Setelah kam lakukan langkah tersebut hasl akhr dar mappng dokumen menjad ttk data pada bdang koordnat dua dmens dapat terpsah dengan jelas dan setap dokumen memlk tngkat faktor kepadatan yang unk. Faktor kepadatan dokumen data n kam tambahkan terhadap setap nla ftur frekuens kata postf dan negataf dengan analog bahwa banyaknya uraan kata-kata dalam dokumen keluhan tersebut dapat mendukung seara langsung ke dua ftur yatu uraan panjang krtkan postf dan negatf. Berkut rumus faktor kepadatan dokumen yang dgunakan : keluhan dset ulang untuk kelas pelathannya pun n sangat memungknkan karena n hanya sebatas perbedaan perseps saja dan semuanya memlk argumentas yang sama-sama benar. Dan justru karena mult perseps dan sangat sultnya menyeleks dokumen keluhan n apalag membedakan mana saja dokumen keluhan yang mengandung krtk tajam tap membangun dan sebalknya. Oleh karena tu permasalahan n sangat rentan terjad kesalahan pengklasfkasan jka hanya mengandalkan metode statstk basa. Memang dkenyataanya hasl mappng data keluhan pada koordnat ttk data antara kelas data yang berlabel postf dan negatf pun bsa salng overlappng. Untuk tulah algortma SVM n dgunakan karena memang ddalam algortma tersebut terdapat kernel trk yang dapat bermanfaat untuk mentransfomas ttk-ttk data keluhan yang tdak dapat dpsahkan seara lnear atau bersfat non-lnear dan salng overlappng berdasarkan kelasnya masng-masng. Lalu proses pengklasfkasannya pun dlakukan pada dmens tngg. Proses transformas n dapat memsahkan semua ttk koordnat data keluhan pada dmens tngg berdasarkan fungs kernel yang dgunakan. Hal nlah yang kemudan dapat mempermudah proses klasfkas dengan tujuan dapat menngkatkan hasl akuras data ujnya. 4 HASIL UJI COBA Pada uj oba yang pertama yatu dengan kombnas kernel lnear dan semua varas raso perbandngan data tranng dan testng. Hal n kam lakukan untuk menguj apakah metode yang dgunakan tersebut tetap bsa handal pada berbaga stuas data keluhan. Berkut beberapa hasl proses pelathan yang ddapatkan. TF _ Baru TF _ Awal DoD 6 Postf Postf TF _ Baru TF _ Awal DoD 7 Negatf Negatf TF menyatakan banyaknya kemunulan kata postf dan negatf pada suatu dokumen yang damat. TF_Baru adalah hasl dar penambahan TF dengan DoD. Langkah n akan dlakukan pada semua dokumen keluhan untuk djadkan nla ftur. Jad ftur yang terbentuk tersebut ada dua dmens yatu ftur kata postf TF_Baru Postf dan ftur kata negatf TF_Baru Negatf. Setap keluhan memang dapat dnla berbeda hal n dapat dsesuakan dengan sudut pandang seorang revewer. Dalam menelaah data keluhan n sstem tersebut sangat berguna dalam membantu memberkan penlaan awal dan sekalgus sebaga salah satu bahan pertmbangan yang dapat bekerja dengan sangat epat. Jka memang data Gambar 3. Hasl Tranng Data Dokumen E- Complant Dengan SVM ernel Lnear Pada Raso [50:50] 5

6 Pada Gambar 3 menunjukkan bahwa metode SVM dengan kernel lnear n sangat handal dalam memsahkan data antara dua kelas. Jka memang dketahu bahwa seara kasat mata hasl mappng ttk-ttk data dokumen tersebut dapat terpsah seara lnear. Hal n bsa dlhat bahwa gars pemsah yang terbentuk dar fungs hyperplane f seara vsualsas dapat memsahkan dan sangat dekat dengan perseps kta. Akan tetap hasl dar pelathan dar satu jens raso dan lannya ternyata memberkan hasl tranng yang berbeda. ta melhat seklas sepertnya gars hyperplane yang terbentuk nampak mrp letak dan kemrngannya tetap sebenarnya jka dlhat lebh dekat memlk nla margn yang berbeda. Otomats nla w sebaga vektor yang tegak lurus dengan gars hyperplane dapat dpastkan berbeda. Hal n bsa dlhat pada hasl tranng Gambar 4 dan Gambar 5. Gambar 4. Hasl Tranng Data Dokumen E- Complant Dengan SVM ernel Lnear Pada Raso [70:30] Gambar 6. Hasl Testng Data Dokumen E- Complant Dengan SVM ernel Lnear Pada Raso [50:50] Hasl testng pada uj oba pertama n menunjukkan bahwa ada yang semua data testng-nya terklasfkas dengan benar sepert pada Gambar 6 dan ada pula yang beberapa datanya mash salah saat dklassfkas sepert pada Gambar 7. Bahkan ada ttk data yang tepat berada pada gars hyperplane. Pada kasus n kam mengasumskan bahwa data tersebut tdak netral akan tetap kam memasukkan dalam kelas postf sepert dtunjukkan pada Gambar 8. Alasan kam memasukkan dalam dokumen postf adalah untuk memberkan toleras dan ruang tengah yang bsa membantu untuk membedakan mana saja dokumen yang benar-benar termasuk dokumen negatf dan bukan negatf. Berkut n adalah beberapa tamplan hasl proses testng setap ttk data pada kernel lnear. 6 Gambar 5. Hasl Tranng Data Dokumen E- Complant Dengan SVM ernel Lnear Pada Raso [80:0] Gambar 7. Hasl Testng Data Dokumen E- Complant Dengan SVM ernel Lnear Pada Raso [60:40]

7 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA. Pada kernel lnear d atas kam hanya dapat melakukan proses vsualsas mappng ttk-ttk data keluhan pada dmens dua. emudan pada kernel polynomal kam dapat melakukan proses vsualsas pada dua bdang yatu dua dmens maupun tga dmens. Hal n dkarenakan hasl mappng data dar dmens rendah ke dmens tnggnya menghaslkan tga dmens yang mash memungknkan untuk dlakukan proses plottng. Berkut n adalah ujoba yang kedua menggunakan kernel polynomal sekalgus menunjukkan hasl proses vsualsasnya pada dua dmens maupun tga dmens. Gambar 8. Hasl Testng Data Dokumen E- Complant Dengan SVM ernel Lnear Pada Raso [60:40] Hasl akuras yang ddapatkan pada ujoba pertama n dapat dlhat pada Gambar 9. Pada raso [80:0] dan [70:30] menunjukkan bahwa hasl akurasnya 00% kemudan pada raso [60:40] [50:50] dan [40:60] mula terlhat beberapa varas nla akurasnya yatu kadang nak dan turun. Akan tetap hasl akuras yang ddapatkan mash relatf d atas 90%. Salah satu faktor yang mempengaruh besar nla akuras adalah semakn banyaknya data tranng yang dgunakan dalam setap kasus dan raso yang terbaknya adalah [80:0] dan [70:30]. emudan untuk rata-rata keseluruhan nla akurasnya adalah 99. %. Nla rata-rata n dapat dkatakan sangat optmal dan layak untuk dgunakan sebaga rekomendas bahwa sstem yang dbuat tersebut memlk tngkat perseps yang hampr mendekat dengan analss perseps manusa. Gambar 0. Hasl Tranng D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [50:50] Gambar 9. Hasl Akuras Testng Data Dokumen E-Complant Dengan SVM ernel Lnear Pada Semua Raso Gambar. Hasl Tranng 3D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [50:50] Pada Gambar 0 dan Gambar tersebut menunjukkan bahwa gars hyperplane yang terbentuk ternyata memlk sfat kuadratk. Artnya persamaan f yang membentuk gars hyperplane tersebut berupa persamaan kuadrat. Hal n sangat berbeda dengan hasl persamaan gars pada kernel lnear. 7

8 8 emudan hasl vsualsas tga dmens dapat dlhat pada Gambar dan Gambar 3. Dar gambar tersebut dapat dnyatakan bahwa data pada dmens tngg dapat dpsahkan seara lnear oleh sebuah bdang hyperplane yang dbentuk dar transformas ttk data dar setap dokumen dengan rumus 0 b w yang kemudan kam urakan menjad bentuk persamaan kuadrat jka dmplementaskan pada bdang dua dmens. Msal dketahu vektor w =[w w w 3 ] t =[ ] t dan =[ ] t. Langkah awal yang perlu dlakukan adalah mentransformas data 3 R X R menjad berkut : X dan Z 8 Dketahu bahwa X dan Z untuk menar nla pada kernel polynomal kta dapat seara langsung dengan menghtung. Sedangkan jka menggunakan teknk mappng data maka kta dapat menghtung dengan yang jka durakan ddapatkan hasl sebaga berkut : 9 Pembuktan untuk menyatakan bahwa nla dapat damat pada penguraan berkut. 0 Gambar. Hasl Tranng D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [60:40] Gambar 3. Hasl Tranng 3D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [60:40] Gambar 4. Hasl Testng D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [50:50]

9 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA. Analss hasl testng pada ujoba kedua n tdak jauh berbeda dengan ujoba pertama. Dar hasl ujoba kedua n menunjukkan bahwa ada yang semua data testng-nya terklasfkas dengan benar sepert pada Gambar 4 Gambar 5 dan Gambar 6 dan ada pula yang beberapa datanya mash salah saat dklasfkas sepert pada Gambar 7 dan Gambar 8. Bahkan ada ttk data yang tepat berada pada gars hyperplane. Pada kasus n kam mengasumskan bahwa data tersebut tdak netral akan tetap kam memasukkan dalam kelas postf sepert dtunjukkan pada Gambar 9 dan Gambar 0. Berkut n adalah beberapa tamplan lannya hasl proses testng setap ttk data pada kernel polynomal. Gambar 5. Hasl Testng 3D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [50:50] pada tga dmens tersebut kta perlu untuk mengurakan rumus f w b dengan pernyataan sesua teor SVM bahwa hasl penghtungan nla data pada persamaan f 0 jka data tersebut tepat berada pada gars hyperplane. Berkut n adalah penjabarannya. w f w w w w w 3 w 3 w b 0 b 0 w 3 b 0 Hasl penguraan pada Persamaan 0 tersebut berupa persamaan kuadrat yang dapat dselesakan salah satunya menggunakan rumus ab. Pada bdang dua dmens n hasl penggambaran persamaan kuadrat tersebut akan seara otomats munul dantara kelas pada ttk data. Sedangkan pada bdang tga dmens gars hyperplane tersebut akan menjad sebuah bdang lnear. Msalkan kta set a w 3 w b dan w b maka untuk mendapatkan nla adalah sebaga berkut. b b 4a a w w 4w w b w 3 3 Gambar 6. Hasl Testng 3D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [60:40] Penguraan d atas pada Persamaan 0 bsa juga dgunakan untuk menganalss hasl bentuk mappng data pada dmens tngg dar ttk data dokumen pada varas bentuk kernel polynomal yang lannya dan nant akan dbahas pada bagan addtve kernel. Untuk melakukan proses plottng hyperplane pada bdang dua dmens dar persamaan mappng Gambar 7. Hasl Testng D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [40:60] 9

10 0 Gambar 8. Hasl Testng 3D Data Dokumen E- Complant Dengan SVM ernel Polynomal Pada Raso [40:60] Analss hasl akuras yang ddapatkan pada skenaro kedua n dapat dlhat pada Gambar 9. Pada raso [80:0] dan [70:30] menunjukkan bahwa hasl akurasnya 00% kemudan pada raso [60:40] [50:50] dan [40:60] mula terlhat beberapa varas nla akurasnya yatu kadang nak dan turun. Akan tetap hasl akuras yang ddapatkan mash relatf 90%. Salah satu faktor yang mempengaruh besar kelnya nla akuras adalah semakn banyaknya data tranng yang dgunakan dalam setap proses pengujan. Dar pengujan tersebut ddapatkan raso terbaknya adalah [80:0] dan [70:30]. emudan untuk rata-rata keseluruhan nla akurasnya adalah %. Nla rata-rata n dapat dkatakan mash sangat optmal dan layak untuk dgunakan sebaga rekomendas bahwa sstem yang dbuat tersebut memlk tngkat perseps yang hampr mendekat dengan analss perseps manusa. Gambar 9. Hasl Akuras Testng Data Dokumen E-Complant Dengan SVM ernel Polynomal Pada Semua Raso Pada addtve seleted kernel dengan derajat dan konstanta yang dnams yatu msal pada = dan = ddapatkan hasl mappng dmens tnggnya adalah enam dmens. Berkut n adalah proses perhtungan transformas dar data dua dmens ke enam dmens pada. 3 sehngga ddapatkan persamaan berkut LECTED addtvese 4 atau sstem juga dapat menggunakan rumus kernel asl tanpa melakukan proses penguraan mappng dar ttk data yang akan dproses sepert langkah berkut. addtveselected 5 emudan untuk mendapatkan hasl mappng ttkttk data dengan addtve seleted kernel adalah sebaga berkut. LECTED addtvese 6

11 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA. Setelah tu untuk membuat mappng ttk data pada addtve seleted kernel n kam menggunakan persamaan berkut. m w y addtveselected 7 dmana m merupakan banyaknya support vetor yang ddapatkan dar proses pelathan yang kemudan dgunakan untuk menghtung vektor w. Setelah mendapatkan vektor w kam menghtung nla b. b w. w. addtveselected addtveselected 8 Setelah terbentuk w dan b kemudan dbentuk fungs klasfkasnya f. f w b 9 addtveselected arena kam hanya mampu melakukan proses plottng maksmal pada tga dmens maka plottng enam dmens tersebut tdak kam lakukan berdasarkan dmens ttk data hasl transformas pada Persamaan 3. Akan tetap walaupun sstem tdak mampu memvsualskan enam dmens dengan memanfaatkan sfat dar mappng data dmens pada kernel dalam hal n kam mengambl langkah untuk mendapatkan hasl mappng data dar dua kernel atau lebh yatu dengan ara addtve. Hasl dar penambahan n nant dapat dgunakan untuk melakukan pembuatan vsualsas dalam dua dmens. Berkut n adalah ujoba yang ketga yang merupakan ujoba terakhr menggunakan addtve seleted kernel sekalgus menunjukkan hasl proses vsualsasnya pada dua dmens. Pada ujoba n nant dgunakan kombnas nla dan yatu [] [] [3] [4] dan [5] pada semua varas raso antara data tranng dan testng. Gambar. Hasl Tranng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C = Pada Raso [40:60] Gambar. Hasl Tranng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C =3 Pada Raso [60:40] Gambar 0. Hasl Tranng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C = Pada Raso [40:60] Gambar 3. Hasl Tranng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C =4 Pada Raso [80:0]

12 Gambar 4. Hasl Tranng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C =5 Pada Raso [80:0] Pada Gambar 0-4 merupakan hasl dar proses pelathan menggunakan metode SVM dengan addtve seleted kernel. Dar keseluruhan hasl pelathan tersebut ddapatkan bahwa seara kasat mata hasl mappng ttk-ttk data dokumen tersebut dapat dpsahkan seara non-lnear menggunakan persamaan hyperplane. Jka dlhat dar seg kelengkungan garsnya maka akan ada banyak sekal varas bentuknya. elengkungan gars hyperplane n sangat tergantung dar sebaran ttk-ttk data dantara dua kelas dokumen yang dvsualsaskan dalam bdang koordnat tersebut. elengkungan gars yang terbentuk dar fungs persamaan untuk hyperplane non-lner tersebut sebenarnya sangat ook untuk ttk data yang memlk sebaran yang kemungknan besar akan salng overlappng dengan data kelas lannya jka jumlah data tersebut dalam skala yang ukup besar. Gambar 6. Hasl Testng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C = Pada Raso [40:60] Gambar 7. Hasl Testng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C =3 Pada Raso [60:40] Gambar 5. Hasl Testng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C = Pada Raso [40:60] Gambar 8. Hasl Testng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C =4 Pada Raso [80:0]

13 Cholssodn I. Setawan B.D. 03. Sentment Analyss Dokumen E-Complant ampus Menggunakan Addtve Seleted ernel SVM. Semnar Nasonal Teknolog Informas Dan Aplkasnya SNATIA. nla akuras yang ddapatkan dar hasl pengujannya mash dbawah hasl dar pengujan kernel lnear. Nla rata-rata akuras pada kernel lnear yatu 99.% sedangkan untuk kernel polynomal dan addtve seleted kernel seara kebetulan memlk nla rata-rata akuras yang sama yatu sebesar 98.60%. Jka dhtung selsh nla rata-rata akurasnya ddapatkan nla sebesar 0.6%. Nla selsh rata-rata akuras n tdak masuk dalam kategor sgnfkan. Artnya jka dberkan toleras tngkat perbedaan ± 5% maka nla rata-rata akuras tersebut mash dalam satu kelas yang sama-sama tngg dan optmal apalag skenaro uj oba yang kam lakukan mash hanya sebatas pada proses addtve seleted kernel polynomal. Gambar 9. Hasl Testng D Data Dokumen E- Complant Dengan Addtve Seleted ernel SVM C = C =5 Pada Raso [80:0] Jka damat pada semua hasl pengujan dar data testng dengan addtve seleted kernel SVM mula dar Gambar 5-9 dapat dtark kesmpulan bahwa sangat wajar sekal jka hasl akuras addtve seleted kernel n mash dbawah kernel lnear. Hal n dkarenakan gars hyperplane tersebut memlk sfat kelengkungan yang justru dapat memotong atau menadakan ttk data yang seharusnya masuk kelas tertentu namun tdak masuk kelas tersebut. 5 ESIMPULAN Pada beberapa kal perobaan ternyata hampr kebanyakan data kelas + dan kelas - semuanya termasuk support vektor hal n dkarenakan data yang kam gunakan jumlahnya hanya 48 dokumen E-Complant yang bsa dkatakan mash relatf kel dalam skala populas. Dan pada beberapa kal pengujan dengan addtve seleted kernel ddapatkan hasl akuras d bawah kernel lnear akan tetap hal n belum bsa dgunakan untuk mengeneralsr hasl keseluruhan kombnas addtve seleted kernel yang ada. arena dalam peneltan n kam hanya menggunakan fungs addtve seleted pada kernel polynomal. Dharapkan untuk peneltan selanjutnya dapat menambahkan data dokumen dalam jumlah yang ukup besar. arena memang kebanyakan hasl plottng ttk-ttk data dokumen semestnya bersfat non-lnear. Selan tu juga dharapkan menggunakan kombnas addtve seleted kernel-kernel yang lan msalnya polynomal dengan derajat > rbf sgmod maupun kernel nvers mult kuadratk serta menggunakan densty of doument DoD yang sesua untuk membentuk plottng ttk-ttk data dokumen agar lebh representatf. 6 DAFTAR PUSTAA Gambar 30. Hasl Akuras Testng Data Dokumen E-Complant Dengan Addtve Seleted ernel SVM Pada Semua Raso Teknk addtve seleted kernel n ternyata memberkan proses teratf hasl tranng data lebh epat jka dbandngkan dengan menggunakan kernel lnear yatu 0 : 000 teras. Hal n sesua dengan pernyataan pada peneltan Maj [5]. Sehngga sangat menguntungkan jka data yang dolah tersebut berjumlah sangat besar dan tdak menutup kemungknan apalag jka dmplementaskan pada jumlah data yang relatf kel. Namun sayangnya [] Webste Resm Lembaga E-Complant UB. 03. E-Complant UB Beranda <URL: [] Rafael E. Banhs. 0. Tet Mnng wth MATLAB. MATLAB s a regstered trademark of The MathWorks In. [3] Sethu Vjayakumar and S Wu. 999 Sequental Support Vetor Classfers and Regresson. Proeedng Internatonal Conferene on Soft Computng SOCO 99 Genoa Italy pp [4] Uma R. Muneeswaran. 03. Effaous Geospatal Informaton Retreval Usng Densty 3

14 Probablst Doument Correlaton Approah. Journal of Computer Sene 9 : [5] Subhransu Maj Aleander C. Berg Jtendra Malk. 03. Effent Classfaton for Addtve ernel SVMs. IEEE Transatons On Pattern Analyss And Mahne Intellgene Vol. 35 No.. [6] hn Phyu Phyu Shen Th Th Soe Nyunt. 00. Sentment Classfaton based on Ontology and SVM Classfer. Seond Internatonal Conferene on Communaton Software and Networks. [7] Aqsath Rasyd Naradhpa Ayu Purwarant. 0. Sentment Classfaton for Indonesan Message n Soal Meda. IEEE. [8] Mooney Raymond J Mnng Tet Mnng wth Informaton Etraton. Austn : Unversty of Teas. [9] B. Pang. L. Lee Opnon Mnng and Sentment Analyss. Foundatons and Trends n Informaton Retreval Vol. Nos. 35 DOI: 0.56/ [0] Clayton R. Fnk Danelle S. Chou Jonathon J. opeky Ashley J. Llorens. 0. Coarse- and Fne-Graned Sentment Analyss of Soal Meda Tet. Johns Hopkns Apl Tehnal Dgest Volume 30 Number. [] Taras Zagbalov John Carroll Automat Seed Word Seleton for Unsupervsed Sentment Classfaton of Chnese Tet. Proeedngs of the nd Internatonal Conferene on Computatonal Lngusts pages Manhester. [] C. Cortes. V. Vapnk 995 Support-Vetor Networks Mahne Learnng vol. 0 no. 3 pp