Rangkuti, Fachrul Rozy Saputra (2018) Analisis Sentimen Opini Film Menggunakan Metode Naïve Bayes dengan Ensemble Feature dan Seleksi Fitur Pearson Correlation Coefficient. Sarjana thesis, Universitas Brawijaya.
Abstract
Microblogging telah menjadi media informasi yang sangat populer di kalangan pengguna internet. Oleh karena itu, microblogging menjadi sumber data yang kaya untuk opini dan ulasan terutama pada ulasan film. Pada penelitian ini mengusulkan analisis sentimen opini film dengan menggunakan ensemble feature dan Bag of Words dan seleksi Fitur Pearson Correlation Coefficient untuk mengurangi dimensi fitur dan mendapatkan kombinasi fitur yang optimal. Penggunaan seleksi fitur dilakukan untuk meningkatkan performa dari klasifikasi, mengurangi dimensi fitur dan mendapatkan kombinasi fitur yang optimal. Pada penelitian ini menggunakan beberapa model dari klasifikasi Naïve Bayes yaitu Bernoulli Naïve Bayes untuk tipe data biner, Gaussian Naïve Bayes untuk tipe data kontinu dan Multinomial Naïve Bayes untuk tipe data numeric. Hasil penelitian ini menunjukkan bahwa dengan menggunakan kata tidak baku pada tweet hasil evaluasi yang didapatkan accuracy 82%, precision 86%, recall 79,62% dan fmeasure 82,69% pada seleksi Fitur 20%. Kemudian setelah dilakukan pembakuan kata secara manual hasil evaluasi pada accuracy meningkat sebesar 8% sehingga accuracy menjadi 90%, precision 92%, recall 88,46% dan f-measure 90,19% pada seleksi fitur 85%. Berdasarkan hasil tersebut dapat disimpulkan bahwa penggunaan kata baku dapat meningkatkan performa klasifikasi dan seleksi fitur Pearson’s memberikan kombinasi fitur yang optimal dan mengurangi jumlah total dimensi fitur.
English Abstract
Microblogging has become the media information that is very popular among internet users. Therefore, the microblogging became a source of rich data for opinions and reviews especially on movie reviews. We proposed, sentiment analysis on movie review using ensemble features and Bag of Words and selection Features Pearson's Correlation to reduce the dimension of the feature and get the optimal feature combinations. Use the feature selection is done to improve the performance of the classification, reducing the dimension of the feature and get the optimal feature combinations. The process of classification using several models of Naïve Bayes i.e. Bernoulli Naïve Bayes for binary data , Gaussian Naïve Bayes for continuous data and Multinomial Naïve Bayes for numeric data. The results of this study indicate that by using the non-standard word on tweet evaluation results obtained accuracy 82%, precision 86%, recall 79.62% and fmeasure 82.69% using Feature Selection 20%. Then after using manual standardization of word the evaluation results on the accuracy increased by 8% and then the accuracy becomes 90%, precision 92%, recall 88.46% and f-measure 90.19% using 85% feature selection. Based on these results it can be concluded that by using the standardization of word can improve the performance of classification and feature selection Pearson's provide optimal feature combinations and reducing the total number of dimensions feature.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/511/051808320 |
| Uncontrolled Keywords: | analisis sentimen, seleksi fitur, twitter, pearson correlation coefficient, naïve bayes sentiment analysis, feature selection, twitter, pearson correlation coefficient, naïve bayes |
| 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: | 08 May 2019 01:33 |
| Last Modified: | 21 Oct 2021 02:21 |
| URI: | http://repository.ub.ac.id/id/eprint/162082 |
Preview |
Text
Fachrul Rozy Saputra Rangkuti.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |