Analisis Sentimen Ulasan Video Animasi Menggunakan Metode Latent Semantic Indexing

Alkadri, Faraz Dhia (2018) Analisis Sentimen Ulasan Video Animasi Menggunakan Metode Latent Semantic Indexing. Sarjana thesis, Universitas Brawijaya.

Abstract

Video animasi berkembang dengan sangat pesat menghasilkan puluhan bahkan ratusan judul per-tahunnya. Tentunya tidak semuanya video animasi yang dihasilkan menarik untuk ditonton. Beberapa dari video tersebut mungkin terlihat tidak menarik untuk beberapa orang. Untuk mengatahui apakah video animasi tergolong menarik atau tidak, pengguna dapat melihat ulasan–ulasan yang diberikan pengguna lain tentang video animasi tersebut. Beberapa website yang memang bertujuan untuk memfasilitasi para penggunanya untuk dapat saling memberikan feedback berupa ulasan tentang video animasi yang telah mereka tonton. Dari ulasan tersebut dapat dilihat sentimennya apakah ulasan tersebut merupakan ulasan yang tergolong ke dalam sentimen positif atau sentimen negatif. Metode Latent Semantic Indexing (LSI) yang mengadopsi proses reduksi matriks Singular Value Decomposition (SVD) digunakan untuk mencari relevansi antar dokumen. Dengan metode LSI dapat mengetahui ulasan tersebut tergolong pada sentimen positif atau sentimen negatif. Metode TF IDF digunakan untuk mengolah data tekstual menjadi data numerik dan Cosine similiarty yang digunakan untuk menghitung kemiripan antar data yang selanjutnya digolongkan ke dalam sentimen kelas positif dan sentiment kelas negatif. pengujian dilakukan sebanyak 19 kali dengan menggunakan masukkan krank yang berbeda-beda. Berdasarkan hasil pengujian, sistem ini menghasilkan akurasi optimal di k-rank = 10 yaitu sebesar 86% sehingga dapat disimpulkan bahwa penggunaan metode latent semantic indexing baik digunakan untuk mencari relevansi antar dokumen.

English Abstract

Animation videos are growing significantly producing tens even hundreds of titles per year. Certainly not everything were produced was interesting. Some of these videos may not be appealing to some people. To find out whether the animated videos is interesting or not, users can read the reviews given by other user about animation videos. Some sites that are intended to facilitate its users to be able give each other feed back about the animation video they have watched. From those reviews can be seen sentiment whether the review is a review that classified in to positive class sentiment or negative class sentiment. The Latent Semantic Indexing (LSI) method that adopts the Singular Value Decomposition (SVD) matrix reduction process is used to find the relevance between documents. With the LSI method helps us to be able to know the reviews are classified on positive sentiment or negative sentiment. The TF IDF method is used to process textual data into numerical data and cosine similiarity method is used to calculate the similiarity between data which is further classified into positive class sentiment and negative class sentiment. Testing done as much as 19 times by using different k-rank input. Based on the test result, this system produces an optimal accuracy on k-rank =10 that is equal to 86% so we can conclude that latent semantic indexing is good to use for searching relevance between documents.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/FTIK/2018/797/051809476
Uncontrolled Keywords:	Metode Latent Semantic Indexing,
Subjects:	000 Computer science, information and general works > 006 Special computer methods > 006.7 Multimedia systems > 006.78 Programs
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Budi Wahyono Wahyono
Date Deposited:	19 Mar 2019 06:32
Last Modified:	22 Oct 2021 05:36
URI:	http://repository.ub.ac.id/id/eprint/161481

	Text Faraz Dhia Alkadri.pdf Download (2MB)
	Other (Thumbnails conversion from text to thumbnail_lightbox) lightbox.jpg Download (16kB)
	Other (Thumbnails conversion from text to thumbnail_preview) preview.jpg Download (7kB)
	Other (Thumbnails conversion from text to thumbnail_medium) medium.jpg Download (2kB)
	Other (Thumbnails conversion from text to thumbnail_small) small.jpg Download (1kB)

Actions (login required)

View Item