IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR

Transkripsi

1 IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh : Nastadina JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG 2014

2 LEMBAR PENGESAHAN Implementasi Algoritma Support Vector Machine (SVM) untuk Analisa Sentimen Pada Kalimat Opini Berbahasa Indonesia Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Disusun oleh : Nastadina Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji pada tanggal 21 Maret 2014 Menyetujui, Penguji I Penguji II Maskur, S.Kom NIDN : Galih Wasis Wicaksono, S.Kom NIDN : Mengetahui, Ketua Jurusan Teknik Informatika Yuda Munarko, S.Kom, M.Sc NIP ii

3 KATA PENGANTAR Puji syukur kehadirat Allah SWT atas segala limpahan rahmat dan hidayah-nya, serta shalawat dan salam kepada Rasulullah SAW sehingga penulis dapat menyelesaikan tugas akhir yang berjudul : IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi text mining, opinion mining, dan juga penerapan algoritma pembelajaran SVM untuk mengklasifikasikan opini kedalam kelas positif atau negatif. Selain itu juga diuraikan beberapa tahapan normalisasi data guna mengurangi noise yang ada. Pada bagian akhir juga dijelaskan mengenai confusion matrix untuk mengukur performansi dari sistem. Penulisan tugas akhir ini dimaksudkan sebagai salah satu syarat kelulusan dari pembelajaran jenjang S1 pada Program Studi Teknik Informatika di Universitas Muhammadiyah Malang. Penulis menyadari sepenuhnnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu penulis mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan kedepan. Malang, Maret 2014 Penulis

4 DAFTAR ISI LEMBAR PERSETUJUAN...i LEMBAR PENGESAHAN... iii LEMBAR PERNYATAAN...iii ABSTRAK...iv ABSTRACT...v LEMBAR PERSEMBAHAN... vi KATA PENGANTAR... vii DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiii DAFTAR PUSTAKA... xiv BAB I... 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Metodologi Penelitian Studi Literatur Analisa dan Desain Sistem Implementasi Pengujian Pembuatan Laporan Sistematika Penulisan... 4 viii

5 BAB II... 6 LANDASAN TEORI Text Mining Text Preprocessing Sentiment Analysis Fitur Fitur Unigram Fitur n-gram Negation Support Vector Machine (SVM) Konsep SVM SVM Linear Karakteristik SVM Perbedaan SVM dengan ANN Confusion Matrix BAB III ANALISA DAN PERANCANGAN SISTEM Persiapan Data Perancangan Arsitektur Sistem Perancangan Sistem Flowchart Sistem Use case Diagram Activity Diagram Data Flow Diagram Analisa Data Rancangan User Interface ix

6 BAB IV IMPLEMENTASI DAN PENGUJIAN Implementasi Sistem Implementasi Preprocessing Implementasi Stemming Implementasi Algoritma SVM Pengujian Sistem Pengujian Fungsionalitas Sistem Pengujian Keberhasilan Sistem BAB V KESIMPULAN DAN SARAN Kesimpulan Saran x

7 DAFTAR GAMBAR Gambar 1 Contoh dari tokenisasi... 7 Gambar 2 Contoh hasil stopword... 8 Gambar 3 Contoh hasil stemming... 8 Gambar 4 Ilustrasi hyperplane pada SVM Gambar 5 Margin hyperplane Gambar 6 Arsitektur sistem Gambar 7 Flowchart sistem Gambar 8 Use case diagram dari sistem Gambar 9 Activity diagram preprocessing Gambar 10 Activity diagram dari pelatihan data Gambar 11 Activity diagram dari klasifikasi data uji Gambar 12 Data Flow Diagram dari pelatihan data Gambar 13 Data Flow Diagram klasifikasi data uji Gambar 14 Entity Relationship Diagram Gambar 15 Rancangan user interface halaman awal Gambar 16 Rancangan user interface halaman hasil klasifikasi Gambar 17 Case folding Gambar 18 Penghapusan URL Gambar 19 Penghapusan username, RT dan hashtag Gambar 20 Proses Tokenizing Gambar 21 Penghapusan Stopwords Gambar 22 Normalisasi emoticon Gambar 23 Menghilangkan Inflection Suffixes Gambar 24 Menghilangkan Derivation Suffixes xi

8 Gambar 25 Menghilangkan Derivation Prefixes Gambar 26 Menghitung nilai support Gambar 27 Menentukan vektor jarak Gambar 28 Implementasi SVM Gambar 29 Halaman Awal Gambar 30 Halaman Preprocess Gambar 31 Halaman Hasil xii

9 DAFTAR TABEL Tabel 1 kombinasi awalan dan akhiran yang terlarang Tabel 2 confusion matrix Tabel 3 penjelasan use case diagram Tabel 4 deskripsi masing-masing entitas yang ada pada ERD Tabel 5 Tabel Hasil Uji Klasifikasi Kategori Positif dan Persepsi Tabel 6 Tabel Hasil Uji Klasifikasi Kategori Negatif dan Persepsi Tabel 7 Tabel Confusion Matrix xiii

10 DAFTAR PUSTAKA [1] Adiyasan Nurfalah, Pengantar Sentiment Analysis, 2012, diakses pada tanggal 1 Agustus [2] Ali, Shawkat. & Saleh A. Wasimi. (2007). Data Mining: Methods and Techniques. Thomson: Australia. [3] Green Adam dev Streaming API Framework. Tersedia di : [4] Han, Jiawei & Micheline Khamber. Data Mining Concepts and Techniques (second edition). University of Illinois at Urbana-Champaign, [5] Imam Fahrur Rozi, 2012, Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi. Jurnal EECIS Vol. 6. [6] Liu Bing, Sentiment Analysis & Opinion Mining, Morgan & Claypool Publisher, University of Toronto, [7] Muhammad Yusuf N. [Online]. Tersedia di: %20S%202.pdf [diunduh: 5 Desember 2012]. [8] N. Anitha, B. Anitha, S. Pradeepa, 2013, Sentiment Classification Approaches A Review. International Journal of Innovations in Engineering and Technology (IJIET). [9] Pang, Bo and Lillian Lee Opinion Mining and Sentiment Analysis. [Online]. Tersedia di: [diunduh: 25 November 2012]. [10] Prasetyo, Eko; Data Mining Konsep dan Aplikasi menggunakan Matlab. Andi: Yogyakarta. [11] Romelta Edwin, 2012, Opinion Mining Di Twitter Untuk Customer Feedback Smartphone Dengan Pembelajaran Mesin. Jurnal Sarjana Institut Teknologi Bandung Bidang Teknik Elektro dan Informatika. 47

11 [12] Saraswati, Ni Wayan S, 2011, TEXT MINING DENGAN METODE NAÏVE BAYES DAN SUPPORT VECTOR MACHINES UNTUK SENTIMENT ANALYSIS, Program Pascasarjana Universitas Udayana. [13] Tan, P.N., Steinbach, M. dan Kumar. V, 2006, Introduction to Data Mining, Boston: Pearson Addison Wesley. [14] Widodo, Prabowo Pudjo; Penerapan Data Mining dengan Matlab. Rekayasa Sains: Yogyakarta.Wu Xindong, Vipin Kumar The Top Ten Algorithms in Data Mining. [Online]. Tersedia di: [diunduh: 21 September 2012]. 48

12 49