ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM. Oleh:
|
|
- Erlin Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Oleh: Nurirwan Saputra 1 Teguh Bharata Adji 2 Adhistya Erna Permanasari 3 1 Dosen Program Studi Teknik Informatika, Universitas PGRI Yogyakarta 2 Dosen Program Studi S2 Teknik Elektro dan Teknologi Informasi, Universitas Gajah Mada 3 Dosen Program Studi S2 Teknik Elektro dan Teknologi Informasi, Universitas Gajah Mada ABSTRAK Jokowi merupakan seorang tokoh masyarakat dengan jenjang karir yang sangat cepat, dan tidak luput dari pandangan masyarakat baik itu positif, netral maupun negatif. Data mengenai Jokowi yang berisikan komentar positif, netral dan negatif yang berasal dari media sosial dan blog politik diperlukan dalam menentukan langkah-langkah yang harus diambil oleh Jokowi untuk mendapatkan kepercayaan dari masyarakat. Selain itu data yang sudah didapat perlu dievaluasi untuk menunjukkan urgensi diimplementasikannya preprocessing terhadap data, yaitu normalisasi dan stemming. Analisis sentimen merupakan ilmu yang berguna untuk menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Penelitian ini menggunakan search techniques dalam pengambilan data, sehingga pengambilan data dilakukan dengan efektif dan efisien. Search techniques dalam penelitian ini menggunakan Boolean searching dengan operator AND. Data yang sudah didapat dilabeli positif, netral dan negatif oleh penulis kemudian dikoreksi oleh ahli bahasa. Setelah itu dilakukan preprocessing baik itu mengubah kata tidak baku menjadi baku atau biasa disebut normalisasi menggunakan kamus dan mencari akar kata yaitu stemming dengan bantuan aplikasi Sastrawi Master. Selanjutnya dilakukan juga tokenisasi N-Gram, Unigram, Bigram, dan Trigram terhadap kalimat, kemudian menghilangkan kata-kata yang umum digunakan dan tidak mempunyai Informasi yang berharga pada suatu konteks atau biasa disebut stopword removal, dan mempertahankan emoticon karena emoticon merupakan simbol yang menunjukkan ekspresi seseorang ke dalam tulisan. Akurasi yang terbaik dalam penelitian ini adalah dengan dilakukan normalisasi dan stemming pada data sebesar 89,2655% menggunakan metode SVM, dan kemudian data yang dinormalisasi saja sebesar 88,7006% menggunakan metode SVM. Dalam penelitian ini, tidak ada ujicoba terhadap data yang dilakukan stemming saja, dikarenakan tahap yang harus dilakukan dalam stemming adalah melakukan normalisasi terlebih dahulu terhadap data. Keywords : analisis sentimen, sastrawi master, svm, smo, naive bayes. PENDAHULUAN Tanggal 20 Oktober 2014, Indonesia telah melewati pesta rakyat, yaitu pelantikan
2 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari Presiden dan Wakil Presiden terpilih Joko Widodo - Jusuf Kalla yang resmi menjabat sebagai Presiden dan Wakil Presiden periode Terpilihnya Joko Widodo Jusuf Kalla ini tidak lepas dari pandangan masyarakat yang pro maupun kontra terhadap kinerja maupun individu khususnya Bapak Joko Widodo. Jenjang karir Jokowi sangat cepat, mulai tahun 2005 beliau menjabat sebagai walikota Solo, kemudian tahun 2012 menjadi Gubernur Ibukota RI yaitu DKI Jakarta, hingga saat ini tahun 2014 beliau sudah menjabat sebagai Presiden Republik Indonesia (RI). Pengambilan data dalam penelitian ini dilakukan menggunakan search techniques yang berasal dari University of Reading, agar pengambilan data dapat dilakukan dengan efektif dan efisien yang selanjutnya dilakukan koreksi label positif, netral dan negatif oleh pihak ketiga yaitu ahli bahasa Indonesia yang sudah berkecimpung lama dalam ilmu bahasa Indonesia dan sudah sepuluh tahun menjadi pengajar bahasa Indonesia. Analisis sentimen dan opinion mining adalah bidang studi yang menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Analisis sentimen telah banyak menerima perhatian semenjak penelitian Pang, Turney, Goldberg dan Zhu. Teknik analisis sentimen dapat mendukung banyak keputusan dalam banyak skenario. Penelitian ini menggunakan tiga class attribute, yaitu positif, netral dan negatif, karena di internet komentar yang muncul dapat berupa komentar positif, netral dan negatif. Normalisasi pada penelitian ini menggunakan kamus KBBA (Kamus Besar Bahasa Alay) yang didapat dari Nurfalah Adiyasa karena kamus yang menjadi penelitiannya di-share untuk kepentingan penelitian selanjutnya. Stemmer yang dipakai menggunakan Sastrawi Master karena merupakan Library PHP untuk stemming bahasa Indonesia, mudah diintegrasikan dengan framework atau package lainnya, mempunyai API yang sederhana dan mudah digunakan. PreProcessing yang dilakukan perlu adanya penelitian apakah memang baik dilakukan semua atau tidak dalam penelitian analisis sentimen, sehingga terlihat perbandingan akurasi dari data yang sudah dinormalisasi dan stemming. Dengan melihat hasil akurasi yang didapat, dapat disimpulkan apakah penggunaan preprocessing tersebut harus dilakukan atau tidak guna mendapatkan hasil akurasi yang optimal. Metode klasifikasi yang dipakai dalam penelitian ini adalah Naive Bayes dan SVM. TUJUAN DAN MANFAAT PENELITIAN Tujuan dan manfaat dilakukannya penelitian ini sebagai berikut. 1) Pemilihan kombinasi yang terbaik dari proses normalisasi data dan stemming, terhadap akurasi analisis sentimen dengan metode SVM dan Naive Bayes. 2) Mendapatkan metode klasifikasi yang paling optimal dengan tiga class attribute dengan data yang dilakukan normalisasi dan stemming. LANDASAN TEORI Search Techniques Search techniques pada penelitian ini menggunakan salah satu metode pencarian yang dikemukakan oleh Jackie Skinner dari University of Reading yang merupakan universitas top 1% dunia.
3 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 Metode dalam search techniques yang dipakai dalam penelitian ini adalah menggunakan operator pencarian. Metode ini menggabungkan kata-kata pencarian mencakup sinonim dan dikenal juga sebagai Boolean searching. Pada metode ini memungkinkan untuk memasukkan banyak kata ataupun konsep dalam pencarian. Pada Gambar 1 bagian berwarna biru mengindikasikan hasil yang didapat berdasarkan operator AND, OR dan NOT. Gambar 1. Operator Boolean AND, OR dan NOT Data Mining Data mining adalah penerapan suatu algoritma untuk melakukan ekstraksi pola dari suatu data, sehingga dapat ditemukan pengetahuan yang tersembunyi dari suatu data. Data yang tidak diolah akan menjadi tidak berharga, sebaliknya ketika data diolah dengan baik, maka akan menjadi Informasi berharga yang dapat dimanfaatkan untuk kepentingan banyak hal, khususnya dalam penelitian ini untuk kepentingan manajemen reputasi Bapak Jokowi. Analisis Sentimen Analisis sentimen dan opinion mining adalah bidang studi yang menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Analisis sentimen telah banyak menerima perhatian semenjak penelitian Pang, Turney, Goldberg dan Zhu. Analisis sentimen memiliki banyak tantangan, di antaranya adalah penilain yang dikeluarkan dalam sebuah dokumen atau bagian dari dokumen ditujukan kepada subjek atau objek, dan apakah pendapat yang dinyatakan positif atau negatif. Selain itu, terkadang kekuatan pendapat seseorang dan targetnya harus dicari diluar kalimat yang diberikan. Sentimen dalam sebuah teks menjadi sangat penting di beberapa aplikasi, seperti pengolahan dan penyimpulan review seseorang, buku dan film, kemudian analisis opini dalam politik, serta mengklasifikasikan kiriman dan komentar blog. Beberapa hal yang dilakukan (preprocessing) sebelum dilakukan proses klasifikasi pada WEKA di antaranya adalah sebagai berikut. Cleansing Pada proses ini, data yang diambil belum tentu bersih, terutama data yang diambil dari Twitter. Normalisasi Kata Komentar yang diberikan seseorang tidak semuanya menggunakan bahasa baku, banyak sekali yang menggunakan kata gaul, misalnya : gue, loe, dan lain lain, serta tidak jarang pula yang menggunakan potongan kata, misalnya : yg, brp, bgm, smoga dan lain lain. Kata yang tidak di normalisasi terlebih dahulu akan dikenali weka sebagai kata yang berbeda, misalnya smoga dan semoga yang seharusnya memiliki makna yang sama akan menjadi beda makna dikarenakan penulisannya yang berbeda. Untuk itu dilakukan normalisasi
4 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari kata dari yang tidak baku menjadi kata baku. Untuk normalisasi ini menggunakan bantuan kamus KBBA yang didapat dari Nurfalah Adiyasa. Stemming Stemming adalah proses mengubah kata menjadi kata dasarnya dengan menghilangkan imbuhan-imbuhan pada kata dalam dokumen atau mengubah kata kerja menjadi kata benda. Stem (akar kata) adalah kata inti setelah imbuhan dihilangkan (awalan dan akhiran). Contoh : kata dihilangkan setelah imbuhan di- dan kan berubah menjadi hilang. Penelitian ini menggunakan stemmer Sastrawi. Sastrawi adalah library php sederhana yang menyediakan stemming kata bahasa Indonesia. Proses stemming oleh Sastrawi sangat bergantung pada kamus kata dasar, kamus kata dasar yang digunakan Sastrawi berasal dari kateglo.com dengan sedikit perubahan dan masing-masing mempunyai lisensi Sastrawi dan lisensi kateglo. Sastrawi dapat diunduh secara gratis di alamat Tokenisasi Proses tokenisasi adalah proses pemotongan string input berdasarkan tiap kata yang menyusunnya. Token yang dipakai dalam penelitian ini ini menggunakan. Penelitian ini mengimplementasikan tokenisasi N-Gram yang tidak terikat dengan satu aturan bahasa apapun, Tokenisasi menggunakan N-Gram adalah tahap pemrosesan dimana teks input dibagi menjadi unit-unit kecil yang disebut token sepanjang n karakter. Dalam bahasa Indonesia, frasa dengan satu kesatuan arti memiliki maksimal 3 kata, pembagian token dibagi menjadi Unigram, Bigram, Trigram dan N-Gram, berikut contoh pemecahan pada kalimat Jokowi memiliki motivasi mengabdi. Unigram: yaitu token yang terdiri dari hanya satu kata, menghasilkan: Jokowi, memiliki, motivasi, mengabdi. Bigram: yaitu token yang terdiri dari dua kata, menghasilkan: Jokowi memiliki, memiliki motivasi, motivasi mengabdi. Trigram: yaitu token yang terdiri dari tiga kata, menghasilkan: Jokowi memiliki motivasi, memiliki motivasi mengabdi. N-Gram, yaitu membagi menjadi Unigram, Bigram, dan Trigram, menghasilkan : Jokowi, Jokowi memiliki, Jokowi memiliki motivasi. WEKA (Waikato Environment fot Knowledge Analysis) WEKA adalah sebuah aplikasi yang dipakai untuk pembelajaran mesin (machine learning) yang dimaksudkan untuk membantu dalam penerapan teknik pembelajaran mesin keberbagai masalah yang ada dalam dunia nyata, khususnya dalam penelitian ini berhubungan dengan politik dan manajemen reputasi. Pembelajaran yang ada dalam WEKA meliputi visualisasi hasil, manipulasi data, hubungan antar basisdata, cross-validation, dan perbandingan set aturan untuk melengkapi penelitian yang berhubungan dengan pembelajaran mesin dasar. Selain itu, WEKA menyediakan lingkungan untuk keperluan klasifikasi, regresi, clustering, dan fitur seleksi. Dengan WEKA, dapat diketahui akurasi dari mulai preprocessing hingga hasil akhir dengan metode tertentu dengan cepat dibandingkan perhitungan manual. Naive Bayes Naive Bayes adalah sebuah algoritma analisa statistik, yang melakukan pengolahan data terhadap data numerik menggunakan probabilitas Bayesian. Klasifikasi klasifikasi Bayes adalah klasifikasi statistik yang dapat memprediksi kelas suatu anggota probabilitas. Untuk
5 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 klasifikasi Bayes sederhana yang lebih dikenal sebagai naïve Bayesian Classifier dapat diasumsikan bahwa efek dari suatu nilai atribut sebuah kelas tidak dipengaruhi atau mempengaruhi nilai dari atribut lainnya. Asumsi ini disebut class conditional independence yang diciptakan untuk memudahkan perhitungan, pengertian ini dianggap naive, dalam bahasa lebih sederhana naïve itu mengasumsikan bahwa kemunculan suatu term kata dalam suatu kalimat tidak dipengaruhi kata-kata yang lain, sehingga dalam analisis sentimen kata yang muncul memiliki bobot masing-masing yang kemudian dihitung total bobot seluruhnya apakah kalimat tersebut termasuk positif, netral ataupun negatif. SVM Support Vector Machine (SVM) adalah sejenis model vector berbasiskan classifier yang mengharuskan sebuah teks harus diubah menjadi vector sebelum digunakan untuk klasifikasi. Key idea dari SVM adalah untuk menemukan permukaan keputusan (Hyperlane) yang maksimal dari setiap titik data. Untuk melakukan training mesin yang didukung oleh vector atau biasa disebut Support Vector Machine (SVM) memerlukan solusi Quadratic Programming (QP) yang sangat besar. Quadratic Programming adalah masalah matematika untuk menemukan vector x yang meminimalkan fungsi kuadrat, dengan melakukan pembagian kelas menggunakan hyperplane maka masing-masing kelas positif, netral dan negatif dapat dibagi berdasarkan area masing-masing sehingga ketika terdapat data baru dapat ditentukan kelasnya berdasarkan area positif, netral maupun negatif. SVM untuk multiclass dapat diperlihatkan pada Gambar 2. Gambar 2. SVM untuk kelas positif, netral dan negatif SUMBER DATA Data diambil menggunakan search technique yaitu Boolean searching AND yang berasal dari media sosial Twitter dan Facebook serta blog politik, data diambil dari sebelum pemilihan umum 9 Juli 2014 hingga sesudah pemilihan Bapak Ir. H. Joko Widodo sebagai presiden pada tanggal 20 Oktober Data positif pada penelitian ini adalah komentar positif masyarakat yang berhubungan dengan sosok dan kinerja Jokowi, data negatif pada penelitian ini adalah komentar negatif masyarakat yang berhubungan dengan sosok dan kinerja Jokowi, serta komentar netral pada penelitian ini adalah berita atau komentar yang bersifat netral yang berhubungan dengan sosok dan kinerja Jokowi. Untuk kata kunci yang dimasukkan tidak hanya Jokowi and jujur, Jokowi and munafik, dan Jokowi and membahas saja, melainkan dilakukan juga untuk data positif, netral dan negatif dengan memasukkan kata kunci.
6 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari HASIL Data yang pencariannya tanpa menggunakan Boolean searching mendapatkan hasil pencarian di Google sebanyak yang dapat dilihat pada Gambar 3. Dengan menggunakan Boolean searching untuk pencarian data positif dengan kata kunci Jokowi and jujur pada Gambar 4 mendapatkan hasil sebanyak atau terjadi pengurangan data sebesar (95,99%). Untuk pencarian data negatif dengan kata kunci Jokowi and munafik pada Gambar 5 mendapatkan hasil sebanyak atau terjadi pengurangan sebesar (98,198%) dan untuk pencarian data netral dengan kata kunci Jokowi and membahas pada Gambar 6 mendapatkan hasil sebanyak atau terjadi pengurangan sebesar (96,41%). Gambar 3. Hasil pencarian Jokowi di Google tanpa Boolean searching Gambar 4. Hasil pencarian Jokowi di Google dengan Boolean searching Jokowi and jujur
7 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 Gambar 5. Hasil pencarian Jokowi di Google dengan Boolean searching Jokowi and munafik Gambar 6. Hasil pencarian Jokowi di Google dengan Boolean searching Jokowi and membahas Dengan pengurangan data yang cukup besar, sehingga pencarian data Jokowi dapat dilakukan dengan efektif dan efisien. Total keseluruhan data yang dipakai dalam penelitian ini untuk data positif sebanyak 59, data netral sebanyak 60, dan data negatif sebanyak 58. Pada penelitian ini ini, dilakukan preprocessing yang berbeda pada masing-masing data, teknik preprocessing yang dilakukan pada penelitian ini terdapat pada kolom teknik preprocessing, teknik preprocessing sebagai berikut. Teknik preprocessing A TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = Yes ; Tokenizer = N-Gram ; dan Emoticon = Yes. Teknik preprocessing B TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = Yes ; Tokenizer = N-Gram ; dan Emoticon = No.
8 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari Teknik preprocessing C TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = N-Gram ; dan Emoticon = Yes. Teknik preprocessing D TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = Unigram ; dan Emoticon = Yes. Teknik preprocessing E TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = Bigram ; dan Emoticon = Yes. Teknik preprocessing F TF-IDF = Yes ; Lowercase = Yes ; mintermfreq = 1 ; Normalize all data ; Stopwords = No ; Tokenizer = Trigram ; dan Emoticon = Yes. Agar tabel cukup satu halaman, dilakukan penyingkatan terhadap judul tabel, singkatan tersebut adalah sebagai berikut. LC = Lowecase. MTF = mintermfreq. N = normalize. SW = Stopwords. Met = Metode yang digunakan. T = Tokenizer. TPre = Teknik PreProcessing. Emo = Emoticon. NB = Naive Bayes. TTB = Time taken to build model (Waktu yang dibutuhkan untuk membangun model. Data Sudah Dinormalisasi (Percobaan 1) Percobaan 1 adalah data yang sudah dilakukan normalisasi tetapi belum dilakukan stemming dapat dilihat pada Tabel 1. Tabel 1. Data Sudah Dinormalisasi TPre Met TF-IDF LC MTF N SW T Emo TTB(s) Hasil (%) A A B B C C D D NB Yes Yes 1 1 Yes N-Gram Yes 1,08 83,0508 SVM Yes Yes 1 1 Yes N-Gram Yes 0,66 83,0508 NB Yes Yes 1 1 Yes N-Gram No 1,13 80,226 SVM Yes Yes 1 1 Yes N-Gram No 0,55 79,096 NB Yes Yes 1 1 No N-Gram Yes 1,14 86,4407 SVM Yes Yes 1 1 No N-Gram Yes 0,5 88,7006 NB Yes Yes 1 1 No Unigram Yes 0,23 88,1356 SVM Yes Yes 1 1 No Unigram Yes 0,22 88,1356 E NB Yes Yes 1 1 No Bigram Yes 0,5 67,7966
9 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 TPre Met TF-IDF LC MTF N SW T Emo TTB(s) Hasil (%) E SVM Yes Yes 1 1 No Bigram Yes 0,74 66,6667 F NB Yes Yes 1 1 No Trigram Yes 0,59 42,3729 F SVM Yes Yes 1 1 No Trigram Yes 0,44 40,678 Pada Tabel 1 dapat dilihat bahwa setelah data dilakukan normalisasi dari tidak baku menjadi baku, metode Naive Bayes rata-rata lebih unggul daripada SVM. Walaupun rata-rata akurasi yang tinggi adalah Naive Bayes, tetapi akurasi tertinggi adalah dengan menggunakan token N-Gram pada teknik preprocessing C menggunakan metode SVM dengan akurasi sebesar 88,7006%. Data Sudah Dinormalisasi dan Stemming (Percobaan 2) Percobaan 2 ini adalah data yang sudah dinormalisasi dan stemming, hasil akurasi pada jenis data ini dapat dilihat pada Tabel 2. Tabel 2. Data sudah normal dan stemming TPre Met TF-IDF LC MTF N SW T Emo TTB(s) Hasil (%) A A B B C C D D E E F F NB Yes Yes 1 1 Yes N-Gram Yes 1,15 83,0508 SVM Yes Yes 1 1 Yes N-Gram Yes 0,61 81,9209 NB Yes Yes 1 1 Yes N-Gram No 0,92 81,9209 SVM Yes Yes 1 1 Yes N-Gram No 0,56 81,3559 NB Yes Yes 1 1 No N-Gram Yes 1,03 88,7006 SVM Yes Yes 1 1 No N-Gram Yes 0,59 88,7006 NB Yes Yes 1 1 No Unigram Yes 0,34 88,1356 SVM Yes Yes 1 1 No Unigram Yes 0,36 89,2655 NB Yes Yes 1 1 No Bigram Yes 0,66 67,2316 SVM Yes Yes 1 1 No Bigram Yes 0,27 66,1017 NB Yes Yes 1 1 No Trigram Yes 0,49 44,0678 SVM Yes Yes 1 1 No Trigram Yes 0,38 44,0678 Pada Tabel 2 terdapat peningkatan akurasi dibandingkan Tabel 1 pada beberapa teknik preprocessing. Selain itu, terjadi perubahan akurasi tertinggi dibanding Tabel 1, pada Tabel 2 akurasi tertinggi dengan menggunakan token Unigram dan metode SVM dengan hasil akurasi sebesar 89,2655%.
10 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari PEMBAHASAN Grafik perbandingan token pada metode Naive Bayes berdasarkan percobaan 1 dan 2 dapat dilihat pada Gambar 7. Gambar 7. Grafik Perbandingan Token Pada Metode Naive Bayes Dan grafik perbandingan token pada metode SVM berdasarkan percobaan 1 dan 2 dapat dilihat pada Gambar 8. Gambar 8. Grafik Perbandinan Token Pada Metode SVM Pada Grafik yang terlihat pada Gambar 7 dan Gambar 8 memperlihatkan bahwa metode N-Gram dan Unigram memperlihatkan akurasi yang lebih baik dibanding Bigram dan Trigram, kemudian Bigram lebih baik dibandingkan Trigram. Unigram dan N-Gram lebih tinggi dikarenakan masing-masing membagi kalimat menjadi satu kata, sehingga kemungkinan mendapatkan kata yang sama sangat besar sedangkan pada Bigram membagi kalimat per dua kata, sehingga dapat diartikan dua kata tersebut menjadi satu arti dan lebih kecil kemungkinan bertemu dua kata yang sama tersebut di kalimat yang lain, terlebih lagi trigram yang membagi kalimat per tiga kata, lebih kecil lagi kemungkinan bertemu kembali kepada tiga kata yang sama yang sudah dibagi di tiap kalimat.
11 Jurnal Dinamika Informatika Volume 5, Nomor 1, November 2015 KESIMPULAN DAN SARAN Kesimpulan Saran Berdasarkan penelitian yang dilakukan, dapat ditarik kesimpulan sebagai berikut. 1) Boolean searching dengan operator AND sangat efektif dan efisien dalam pencarian data, selain itu cukup berpengaruh terhadap akurasi analisis sentimen, karena menghasilkan tidak semua data mengenai Jokowi, melainkan yang mengandung kata yang dimasukkan. 2) Berdasarkan penelitian yang dilakukan, akurasi yang dihasilkan ketika data dilakukan stemming, terdapat peningkatan rata-rata sebesar 0,85% untuk metode Naive Bayes dan 0,85% untuk metode SVM. 3) Akurasi yang dihasilkan metode SVM tidak selalu unggul dibandingkan metode Naive Bayes, begitu pula sebaliknya. Untuk metode yang paling tinggi di masing-masing percobaan adalah metode SVM pada percobaan 1 mendapatkan akurasi 88,7006% untuk teknik preprocessing C, percobaan 2 mendapat akurasi 89,2655% untuk teknik preprocessing D. 4) Dengan melakukan normalisasi dan stemming, hasil yang didapat lebih tinggi dibandingkan dengan data yang hanya dilakukan normalisasi saja, dikarenakan dengan adanya normalisasi, kata-kata yang tidak sesuai dengan KBBA dapat disesuaikan dengan standar yang ada, ditambah lagi dengan adanya stemming, katakata yang dianggap berbeda karena terdapat imbuhan, dapat diubah terlebih dahulu berdasarkan kata dasarnya, sehingga variasi kata semakin sedikit, semakin sering muncul, dan dapat memberikan bobot positif, negatif ataupun netral terhadap kata tersebut semakin baik. Saran yang bisa diberikan berdasarkan penelitian yang sudah dilakukan di antaranya sebagai berikut. 1) Perlu adanya stopwords yang dikhususkan untuk analisis sentimen yang mampu meningkatkan akurasi pada analisis sentimen. 2) Penelitian mengenai analisis sentimen menggunakan teknik sinonim dan akronim. DAFTAR PUSTAKA Pesta Rakyat di pelantikan Jokowi-Jusuf Kalla, merdeka.com. [Online]. Available: [Accessed: 16-Nov-2014]. P. J. R. B. Tips and T. says, Profil Jokowi I Biodata Lengkap Joko Widodo Dunia Baca dot Com.. J. Skinner, Searching databases tips to save you time when finding Information, A guide to effective database searching, Sep [Online]. Available: [Accessed: 06- Jan-2015].
12 ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM Nurirwan Saputra, Teguh Bharata Adji, Adhistya Erna Permanasari B. Pang and L. Lee, Opinion Mining and Sentiment Analysis, Found Trends Inf Retr, vol. 2, no. 1 2, pp , Jan G. Agung, PERANCANGAN DAN IMPLEMENTASI SISTEM KLASIFIKASI KOMENTAR DENGAN ALGORITMA NAÏVE BAYES CLASIFIER, [Online]. Available: N. Adiyasa, Sentiment Analysis Menggunakan Pendekatan Lexicon-Based, Catatan Kecil. [Online]. Available: [Accessed: 02- Dec-2014]. V. K. Singh, R. Piryani, A. Uddin, P. Waila, and Marisha, Sentiment analysis of textual reviews; Evaluating machine learning, unsupervised and SentiWordNet approaches, in th InterNational Conference on Knowledge and Smart Technology (KST), 2013, pp G. Holmes, A. Donkin, and I. H. Witten, WEKA: a machine learning workbench, in Proceedings of the 1994 Second Australian and New Zealand Conference on Intelligent Information Systems,1994, 1994, pp Frank, M. Hall, L. Trigg, G. Holmes, and I. H. Witten, Data mining in bioinformatics using Weka, Bioinformatics, vol. 20, no. 15, pp , Oct University of Reading. [Online]. Available: [Accessed: 06-Jan-2015]. U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, From Data Mining to Knowledge Discovery in Databases, AI Mag., vol. 17, no. 3, p. 37, Mar sastrawi/sastrawi, GitHub. [Online]. Available: [Accessed: 03-Dec-2014].
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Liu opini merupakan pernyataan subyektif yang mencerminkan sentimen orang atau persepsi tentang entitas dan peristiwa [1]. Opini atau pendapat orang lain terhadap
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE LAPORAN TUGAS AKHIR Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar
Lebih terperinciIMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR
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
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Penelitian terdahulu sangat penting bagi penulis untuk mengetahui referensi dan hubungan antara penelitian terdahulu dengan penelitian yang dilakukan saat ini, sehingga hal duplikasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis sentimen merupakan proses dalam mengolah, memahami, dan mengekstrak data dalam bentuk teks terhadap suatu topik, kejadian ataupun individu untuk mendapatkan
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang website adalah salah satu layanan yang bisa digunakan untuk melakukan pencarian berbagai informasi, sehingga sangat dibutuhkan untuk keperluan pengguna dalam pencarian
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Perkembangan dunia telekomunikasi meningkat secara signifikan dalam kurun waktu satu dekade terahir. Tidak hanya dari segi jumlah pengguna, jenis layanan yang ditawarkanpun
Lebih terperinciHERU SUSANTO Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT.
HERU SUSANTO 2209 105 030 Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT. LATAR BELAKANG Peran media jejaring sosial pada perkembangan teknologi komunikasi dan informasi;
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait Penelitian terkait dengan topik analisis sentimen cukup banyak, berikut beberapa penelitian yang tekait dengan analisa sentimen yang menggunakan seleksi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sumber opini teks saat ini tersedia berlimpah di internet akan tetapi belum sepenuhnya dimanfaatkan karena masih kurangnya tool yang ada, sedangkan perkembangan
Lebih terperinciBAB I PENDAHULUAN. untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan media sosial menawarkan pengguna kesempatan untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan tidak lagi memiliki
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Apa yang orang lain pikirkan telah menjadi sesuatu yang penting untuk menjadi pertimbangan dalam pengambilan keputusan (Pang and Lee, 2006). Sesuatu yang orang lain
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini smartphone telah berevolusi menjadi komputer pribadi kecil dan portabel yang memungkinkan pengguna untuk melakukan penjelajahan internet, mengirim e-mail
Lebih terperinciBAB 3 ANALISIS MASALAH DAN PERANCANGAN
BAB 3 ANALISIS MASALAH DAN PERANCANGAN 3.1 State of the Art Pada penelitian sebelumnya sudah ada yang menggunakan metode Stemming untuk preprocessing text dalam mengolah data pelatihan dan data uji untuk
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Opini adalah pendapat pribadi yang tidak obyektif dan tidak melalui proses verifikasi (Quirk et al., 1985). Opini orang lain tentang suatu hal menjadi penting dalam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Dalam beberapa tahun terakhir teknologi informasi dan telekomunikasi berkembang dengan pesat. Masyarakat mendapatkan manfaat dari tekonologi informasi dan telekomunikasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini, microblogging menjadi sangat popular untuk alat komunikasi antara pengguna internet. Setiap hari jutaan pesan muncul di website penyedia microblogging diantaranya
Lebih terperinciLAPORAN TUGAS AKHIR. Disusun oleh: Franky
LAPORAN TUGAS AKHIR Analisis Sentimen Menggunakan Metode Naive Bayes, Maximum Entropy, dan Support Vector Machine pada Dokumen Berbahasa Inggris dan Dokumen Berbahasa Indonesia Hasil Penerjemahan Otomatis
Lebih terperinciSENTIMENT ANALYSIS DENGAN NAIVE BAYES UNTUK MELIHAT PERSEPSI MASYARAKAT TERHADAP BATIK PADA JEJARING SOSIAL TWITTER
SENTIMENT ANALYSIS DENGAN NAIVE BAYES UNTUK MELIHAT PERSEPSI MASYARAKAT TERHADAP BATIK PADA JEJARING SOSIAL TWITTER Anindya Apriliyanti P. Departemen Statistika FMIPA Universitas Padjadjaran a.apriliyanti.p@gmail.com
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK EKSTRAKSI KALIMAT OPINI PADA ARTIKEL BERBAHASA INDONESIA. Tugas Akhir
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK EKSTRAKSI KALIMAT OPINI PADA ARTIKEL BERBAHASA INDONESIA Tugas Akhir Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB I. Pendahuluan. 1. Latar Belakang Masalah
BAB I Pendahuluan 1. Latar Belakang Masalah Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Dalam bab ini akan dijabarkan analisa, yang meliputi analisa masalah dan gambaran umum masalah yang sedang dibahas, perancangan sistem serta desain antarmuka (user interface)
Lebih terperinciSentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation
Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation Ghulam Asrofi Buntoro 1, Teguh Bharata Adji 2, Adhistya Erna Purnamasari 3 Jurusan Teknik Elektro FT UGM Jln. Grafika 2
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Data Mining Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI OPINI PADA DATA TWITTER DENGAN EKSPASI QUERY MENGGUNAKAN PENDEKATAN SINONIM
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI OPINI PADA DATA TWITTER DENGAN EKSPASI QUERY MENGGUNAKAN PENDEKATAN SINONIM Laporan Tugas Akhir Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dewasa ini sudah mempengaruhi kebutuhan manusia modern, hal ini ditandai dengan penggunaan teknologi disetiap aspek kehidupan manusia yang berguna
Lebih terperinciTEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
F.7 TEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER Luthfia Oktasari *, Yulison Herry Chrisnanto, Rezki Yuniarti Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinci1. BAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini dunia telah memasuki era dimana masyarakat dapat secara bebas menyuarakan pendapat mereka di berbagai media, salah satunya melalui media sosial. Masyarakat
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring berkembangnya teknologi informasi saat ini maka berkembang pula perangkat perangkat yang mendukung guna akses informasi yang semakin dibutuhkan dalam waktu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar belakang
BAB 1 PENDAHULUAN 1.1. Latar belakang Dengan adanya perkembangan dan pertumbuhan yang secara cepat dalam hal informasi elektronik sangat diperlukan suatu proses untuk menyelesaikan suatu permasalahan itu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN berikut. Tahapan penelitian yang dilakukan dalam penelitian adalah sebagai Indentifikasi Masalah Merumuskan Masalah Study Literatur Perancangan : 1. Flat Teks 2. Database
Lebih terperinciANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE
DRAFT JURNAL ANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE SENTIMENT ANALYSIS FOR TWITTER ABOUT ONLINE INDONESIAN TRANSPORTATION WITH
Lebih terperinciStemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi
Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi Stemming in Indonesian Language Twit Preprocessing Implementing Phonetic
Lebih terperinci3.1 Desain Penelitian
24 BAB 3 METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian merupakan tahapan yang akan dilakukan penulis dalam melakukan penelitian. Tahapan penelitian yang digunakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan media online mendorong munculnya informasi tekstual yang tidak terbatas, sehingga muncul kebutuhan penyajian tanpa mengurangi nilai dari informasi tersebut.
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN Bab ini akan menjelaskan latar belakang dari penelitian yang memberikan gambaran awal mengenai analisis sentimen dan perannya dalam perkembangan teknologi informasi. Tujuan dan ruang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kehadiran teknologi web yang interaktif telah merubah cara orang mengekspresikan pandangan dan opininya. Saat ini pengguna dapat menulis ulasan suatu produk pada situs
Lebih terperinciANALISIS SENTIMEN BERBAHASA INDONESIA DENGAN PENDEKATAN LEXICON-BASED PADA MEDIA SOSIAL
ANALISIS SENTIMEN BERBAHASA INDONESIA DENGAN PENDEKATAN LEXICON-BASED PADA MEDIA SOSIAL Adiyasa Nurfalah, Adiwijaya, Arie Ardiyanti Suryani Telkom University St. Telekomunikasi No. 1, Bandung, Indonesia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciSENTIPOL: Dataset Sentimen Komentar Pada Kampanye PEMILU Presiden Indonesia 2014 Dari Facebook Page
SENTIPOL: Dataset Sentimen Komentar Pada Kampanye PEMILU Presiden Indonesia 2014 Dari Facebook Page Antonius Rachmat dan Yuan Lukito KNASTIK 2016 Universitas Kristen Duta Wacana 19 November 2016 Latar
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan media dan teknologi informasi, terutama pada perkembangan internet dan media sosial, menjadikan fungsi internet dari suatu media informasi biasa, bertambah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciANALISIS SENTIMEN JASA EKSPEDISI BARANG MENGGUNAKAN METODE NAÏVE BAYES
F.4 ANALISIS SENTIMEN JASA EKSPEDISI BARANG MENGGUNAKAN METODE NAÏVE BAYES Raflialdy Raksanagara*, Yulison Herry Chrisnanto, Asep Id Hadiana Jurusan Informatika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN. dengan lingkungan sosialnya pengguna social media seringkali menceritakan
BAB I PENDAHULUAN 1.1 Latar Belakang Social media merupakan salah satu tren yang berkembang di masyarakat sebagai tempat untuk berinteraksi. Selain untuk berinteraksi dengan lingkungan sosialnya pengguna
Lebih terperinciBAB V EKSPERIMEN TEXT CLASSIFICATION
BAB V EKSPERIMEN TEXT CLASSIFICATION Pada bab ini akan dibahas eksperimen untuk membandingkan akurasi hasil text classification dengan menggunakan algoritma Naïve Bayes dan SVM dengan berbagai pendekatan
Lebih terperinciUniversitas Gadjah Mada, [26] V. K. Singh, R. Piryani, A. Uddin, P. Waila, and Marisha, Sentiment analysis of textual reviews; Evaluating
DAFTAR PUSTAKA [1] A. Na im and J. Hartono, The Effect Of Antitrust Investigations On The Management Of Earnings: A Further Empirical Test Of Political Cost Hypothesis, Kelola, vol. 5, no. 1996, 1996.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan salah satu aspek penting di dalam kehidupan. Oleh karena itu, pendidikan mendapat perhatian besar dalam kehidupan masyarakat dan negara. Pendidikan
Lebih terperinciDETEKSI SUBJEKTIFITAS TEKS BERBAHASA INDONESIA MENGGUNAKAN METODE LEXICON RULE BASED
DETEKSI SUBJEKTIFITAS TEKS BERBAHASA INDONESIA MENGGUNAKAN METODE LEXICON RULE BASED Tugas Akhir Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciJURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG
KLASIFIKASI ENTERTAINER BERDASARKAN TWEET MENGGUNAKAN METODE SCORING BERBASIS LEXICON BASED TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM Bab ini akan membahas tentang implementasi dan hasil perancangan yang telah dibuat pada bab sebelumnya. Selain itu, pada bab ini juga dijelaskan tentang analisis
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Analisis Masalah Setiap tahunnya, DPP Infokom selaku panitia Pelatihan Aplikasi Teknologi dan Informasi (PATI) Universitas Muhammadiyah Malang menerima ribuan
Lebih terperinciKLASIFIKASI TEKS BERBASIS ONTOLOGI UNTUK DOKUMEN TUGAS AKHIR BERBAHASA INDONESIA TUGAS AKHIR
KLASIFIKASI TEKS BERBASIS ONTOLOGI UNTUK DOKUMEN TUGAS AKHIR BERBAHASA INDONESIA TUGAS AKHIR Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Informatika Universitas Muhammadiyah Malang Nama : Ayu
Lebih terperinciText Pre-Processing. M. Ali Fauzi
Text Pre-Processing M. Ali Fauzi Latar Belakang Latar Belakang Dokumen-dokumen yang ada kebanyakan tidak memiliki struktur yang pasti sehingga informasi di dalamnya tidak bisa diekstrak secara langsung.
Lebih terperinciImplementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier
Implementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier Wachid Daga Suryono 1, Ristu Saptono 2, Wiranto 3 Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selain sebagai media komunikasi, Twitter memberikan akses bagi pihak ketiga yang ingin mengembangkan aplikasi yang memanfaatkan layanannya melalui Twitter API. Salah
Lebih terperinciAnalisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk
Analisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk Eka Retnawiyati 1, Fatoni, M.M.,M.Kom 2., Edi Surya Negara, M.Kom 3 1) Mahasiswa Informatika Universitas Bina Darma
Lebih terperinciBAB I PENDAHULUAN. Di era modern ini, macam-macam makanan sangatlah banyak dan beragam.
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap warga muslim di dunia membutuhkan informasi makanan halal, agar mereka terhindar dari yang namanya perbuatan dosa. Karena di dalam agama islam, sebagai umat
Lebih terperinciARTIKEL KLASIFIKASI KONTEN BERITA SURAT KABAR BERDASARKAN JUDUL DENGAN TEXT MINING MENGGUNAKAN METODE NAÏVE BAYES (STUDI KASUS : RADAR KEDIRI)
ARTIKEL KLASIFIKASI KONTEN BERITA SURAT KABAR BERDASARKAN JUDUL DENGAN TEXT MINING MENGGUNAKAN METODE NAÏVE BAYES (STUDI KASUS : RADAR KEDIRI) Oleh: Enggal Suci Febriani 3..3..35 Dibimbing oleh :. Irwan
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab ini dijelaskan latar belakang dari penelitian klasifikasi dokumen teks. Tujuan dan ruang lingkup dari tugas akhir memberikan penjelasan mengenai hasil yang ingin diketahui dan
Lebih terperinciANALISIS SENTIMEN HATESPEECH PADA TWITTER DENGAN METODE NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE
Jurnal Dinamika Informatika Volume 5, Nomor 2, September 2016 ISSN 1978-1660 ANALISIS SENTIMEN HATESPEECH PADA TWITTER DENGAN METODE Ghulam Asrofi Buntoro Program Studi Informatika Fakultas Teknik Universitas
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1725-1732 http://j-ptiik.ub.ac.id Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan
Lebih terperinciBAB I PENDAHULUAN. memberikan dampak yang luas dalam bagaimana manusia menjalani hidupnya.
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Perkembangan infrastruktur dan penggunaan teknologi informasi memberikan dampak yang luas dalam bagaimana manusia menjalani hidupnya. Salah satunya adalah perolehan
Lebih terperinciAnalisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine
Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine Anita Novantirani 1, Mira Kania Sabariah S.T., M.T 2, Veronikha Effendy,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tinjauan atau review seseorang yang ditujukan kepada suatu objek atau produk sangat berpengaruh terhadap penilaian publik atas produk tersebut (Sahoo, 2013). Review
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciPENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT
PENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Prasyarat Mencapai Derajat Teknik Informatika Disusun Oleh
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua
BAB IV HASIL DAN PEMBAHASAN 4.1. Dokumen yang digunakan Pada penelitian yang dilakukan oleh penulis ini menggunakan dua jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua jenis dokumen
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Weblog, atau yang sering disebut sebagai Blog, merupakan bagian tak terpisahkan dalam perkembangan dunia teknologi informasi berbasis Web. Berbagai jenis informasi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Gaya Belajar Penelitian tentang gaya belajar telah banyak dilakukan untuk dapat mengenali jenis gaya belajar dari mahasiswa. Banyak learning styles model yang telah dikembangkan
Lebih terperinciANALISIS SENTIMEN TERHADAP OPINI PUBLIK MELALUI JEJARING SOSIAL TWITTER MENGGUNAKAN METODE NAIVE BAYES Alfarizy M. G. ( )
ANALISIS SENTIMEN TERHADAP OPINI PUBLIK MELALUI JEJARING SOSIAL TWITTER MENGGUNAKAN METODE NAIVE BAYES Alfarizy M. G. (0927050) Jurusan Sistem Komputer, Fakultas Teknik, Jalan Prof. Drg. Suria Sumantri
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Information age atau computer age adalah suatu era dimana kebutuhan seseorang akan informasi menjadi suatu hal yang sangat penting. Pada saat era informasi ini seseorang
Lebih terperinciAplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai Berita Online
Jurnal Integrasi, vol. 6, no. 1, 2014, 1-10 ISSN: 2085-3858 (print version) Article History Received 10 February 2014 Accepted 11 March 2014 Aplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI Pada bab ini akan dibahas mengenai beberapa landasan teori yang digunakan untuk perancangan dan pembuatan aplikasi rekomendasi informasi yang bisa dijadikan sebagai acuan. 3.1 Media
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Human Resource Management merupakan prosedur sistematis untuk mengumpulkan, menyimpan, mempertahankan, menarik dan memvalidasi data yang di butuhkan oleh suatu organisasi
Lebih terperinciANALISIS SENTIMEN TWEET MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
ANALISIS SENTIMEN TWEET MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Maulana Aziz Assuja 1), Saniati 2) 1,2) Program Studi Teknik Informatika, STMIK Teknokrat Lampung Jl. H. Zainal Abidin Pagaralam No. 9
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
3 BAB I PENDAHULUAN 1.1. Latar Belakang Semakin banyaknya pengunaan teknologi informasi pada pemerintahan, dapat mempermudah masyarakat dalam pelayanan masyarakat itu sendiri. Seperti misalnya ketika sesorang
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Klasifikasi Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam klasifikasi ada dua pekerjaan
Lebih terperinciSENTIMEN ANALYSIS TERHADAP NILAI KEPERCAYAAN SEBUAH ONLINE SHOP DI INSTAGRAM
SENTIMEN ANALYSIS TERHADAP NILAI KEPERCAYAAN SEBUAH ONLINE SHOP DI INSTAGRAM Universitas Widyatama Jalan Cikutra No. 204A Bandung yan.puspitarani@widyatama.ac.id Abstrak Instagram menjadi tempat yang menarik
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciPENERAPAN VECTOR SPACE MODEL UNTUK PERINGKASAN KOMENTAR ANGKET MAHASISWA
PENERAPAN VECTOR SPACE MODEL UNTUK PERINGKASAN KOMENTAR ANGKET MAHASISWA Suprianto 1), Sunardi 2), Abdul Fadlil 3) 1 Sistem Informasi STMIK PPKIA Tarakanita Rahmawati 2,3 Magister Teknik Informatika Universitas
Lebih terperinciANALISIS SENTIMEN PADA JASA OJEK ONLINE MENGGUNAKAN METODE NAÏVE BAYES
Analisis Sentimen pada Jasa Ojek Online... (Nugroho dkk.) ANALISIS SENTIMEN PADA JASA OJEK ONLINE MENGGUNAKAN METODE NAÏVE BAYES Didik Garbian Nugroho *, Yulison Herry Chrisnanto, Agung Wahana Jurusan
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3654 ANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED ASPECT LEVEL SENTIMENT CLASSIFICATION
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pemilihan Gubernur serentak untuk memilih para pemimpin rakyat akan dilaksanakan pada tahun 2017. Ini merupakan pemilihan kepala daerah serentak ke dua yang akan diselengarakan
Lebih terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinci