Rausanfita, Alqis (2018) Analisis sentimen Twitter Menggunakan Ensemble Feature dan Metode Extreme Learning Machine (ELM) (Studi Kasus: Samsung Indonesia). Sarjana thesis, Universitas Brawijaya.
Abstract
Seiring berkembangnya teknologi perusahaan-perusahaan mengalami masa perallihan dengan mengembangkan usahanya menjadi berbasis digital. Aktivitas bisnis yang sangat krusial dan memiliki dampak nyata pada pertumbuhan organisasi dan Return Of Investment (ROI) yaitu memahami dan menanggapi secara tepat sentimen dari pelanggan dengan melakukan analisis sentimen. Dengan adanya analisis sentimen perusahaan dapat menjadi pedoman untuk mengevaluasi produk, layanan, reputasi merek, dan perusahaan dapat menjadi pemimpin pasar yang didukung dengan kondisi pelanggan yang sangat emosional sehingga produk/layanan yang membuat kecewa akan kehilangan komitmen pelanggan bahkan pelanggan akan mengalami kesusahan untuk menemukan kembali pengalaman pelanggan jika suatu perusahaan tidak mempedulikan ungkapan sentimen pelanggan. Berdasarkan penjelasan tersebut, penelitian ini di lakukan menggunakan ensemble feature dan Extreme Learning Machine untuk analisis sentimen Twitter. Data yang digunakan dalam penelitian ini sebanyak 72 tweet dengan perbandingan jumlah data training dan testing 70:30 di mana jumlah data tiap kelas seimbang. Sebelum dilakukan klasifikasi data tersebut dilakukan preprocessing, pembobotan ensemble feature, serta pembobotan kata. Hasil Pengujian pada penelitian ini didapatkan jumlah hidden neuron terbaik sebanyak 5000, fungsi aktivasi terbaik adalah sigmoid bipolar, dan ensemble feature berpengaruh terhadap hasil akurasi. Analisis sentimen Twitter menggunakan ensemble feature dan metode Extreme Learning Machine pada studi kasus Samsung Indonesia tidak mendapatkan akurasi yang tinggi. Akurasi yang didapatkan hanya sebesar 42,857 %. Rendahnya akurasi disebabkan munculnya sparse data matrix sehingga terjadi overfitting yang kemudian berakibat rendahnya hasil akurasi.
English Abstract
Along with the development of technology companies have a lifetime by expanding its business to be digital-based. Business activity is very important and has a real impact on organizational growth and Return Of Investment (ROI) is to understand and respond to customer's proper sentiment by conducting sentiment analysis. Given the company's sentiment analysis can be a guide to evaluate product, service, brand reputation, and company can be a market leader powered by very emotional customer conditions so that disappointing products / services will lose the customer's commitment even customers will find it difficult to restore the customer experience if companies are not concerned with customer sentiment. Based on the explanation, this research is done using ensemble feature and extreme machine learning for Twitter sentiment analysis. The data used in this research is 72 tweets with the ratio of training amount and 70:30 testing data where the amount of data per class is balanced. Before the data classification was done preprocessing, weighting ensemble features, and weighting of words. The result of this research is to get the best hidden neuron number as much as 5000, the best activation function is bipolar sigmoid, and ensemble feature affect the accuracy result. Twitter sentiment analysis using ensemble features and extreme machine learning methods in the case study Samsung Indonesia did not get high accuracy. Accuracy in getting only amounted to 42.857%. The low accuracy caused by the data matrix rarely results in overfitting which then results in low accuracy results
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/565/051808409 |
| Uncontrolled Keywords: | Extreme Learning Machine, Twitter, ensemble feature, analisis sentimen, Samsung Indonesia |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.7 Multimedia systems > 006.75 Specific types of multimedia systems > 006.754 Online social networks |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 03 May 2019 01:29 |
| Last Modified: | 21 Oct 2021 03:22 |
| URI: | http://repository.ub.ac.id/id/eprint/161984 |
Preview |
Text
Alqis Rausanfita.pdf Download (6MB) | Preview |
Actions (login required)
 |
View Item |