Analisis Deteksi Emosi Mahasiswa Dari Text Kuesioner Dosen Menggunakan Metode Vector Space Model (Vsm) (Studi Kasus: Stt Atlas Nusantara Malang)

Sitorus, Ranap (2017) Analisis Deteksi Emosi Mahasiswa Dari Text Kuesioner Dosen Menggunakan Metode Vector Space Model (Vsm) (Studi Kasus: Stt Atlas Nusantara Malang). Magister thesis, Universitas Brawijaya.

Abstract

Emosi bersifat umum sangat penting didalam semua aspek kehidupan, dimana emosi merupakan salah satu faktor yang akan mempengaruhi keputusan hubungan manusia dengan lingkungan sosial dengan membentuk perilaku keseharian seseorang dalam berkomunikasi. Teknologi perangkat yang digunakan dalam berkomunikasi sangat berkembang cepat, mulai dari telepon menggunakan jaringan internet, text messaging dan video call yang kesemuanya dilakukan secara langsung antar pengguna. Komunikasi secara tidak langsung juga dilakukan seperti untuk memberikan review terhadap kualitas sebuah produk, saran dan kritik terhadap sumber daya manusia (SDM). Menggunakan metode kuesioner dan beberapa pertanyaan tambahan karena dengan metode kuesioner teks ini bebas menuliskan apa yang akan disampaikan. Dalam penelitian deteksi emosi tekk ini, akan dilakukan tahap preprosesing dari teks kuesioner dan untuk pengelompokan kata berdasarkan kelas kata, yaitu dengan menggunakan POS-Tagging dimana pendekatan berdasar aturan rule-based yang berisi kombinasi kelas kata yang kemungkinan besar bila digabungkan akan membentuk frasa agar memudahkan komputer dalam memahami ciri-ciri sebuah frasa. Selanjutnya dilakukan proses penghitungan bobot kata yang terdapat dalam sumber data (corpus) menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Dengan algoritma metode Vector Space Model (VSM) untuk menentukan relevansi antara Fitur - fitur fase dalam menemukan korelasi antara yang sangat penting yaitu untuk mengurangi dimensi data multidimensi yang dapat digunakan untuk menilai emosi pengguna dengan fitur ekstraksi. VSM digunakan untuk mengetahui hubungan tiap-tiap kata yang membentuk sebuah kalimat. Emosi di setiap pengguna akan disajikan dengan nilai persentase menggunakan pendekatan algoritma VSM dengan mengambil kesamaan antara permintaan dan data corpus. Hasil Optimasi dari deteksi emosi yang dibuktikan melalui uji coba dengan 2(dua) tahap yaitu mendeteksi dengan Frasa dan Non-Frasa. Menggunakan metode TF-IDF dan Vector Space Model (VSM) mampu mendeteksi dokumen emosi teks bahasa Indonesia dengan data set 90% dari 264 dokumen, maka hasil menggunakan Frasa deteksi Emosi Senang, Takut dan Kecewa 92,59% dan yang diperoleh deteksi non frasa 96,30%.

English Abstract

Emotions are commonly very important in all aspects of life, where emotion is one of the factors that will influence human decision-making ability. This project focuses on decisions concerning human relationships with the social environment, in respect of how emotional decisions shape communicational behaviour. The technology of communication devices is rapidly evolving, ranging from direct communications such as telephone call using internet network, text messaging and video call which all done directly between users. While indirect communication ranges from providing a review of product quality, advice and criticism of human resources (HR). The latter uses questionnaire method and several additional questions. This is because with this method of text questionnaire, one is liberated to write down what is considered needs to be delivered. Emotion detection in this research, starts with a pre-processing stage of the questionnaire text. The next process is word groupings classification using POS-Tagging. Tagging process is a rule-based approach that holds a combination of word classes, of which when combined will form a phrase that potentially ease the phrase characteristics understanding. The third process is calculating the weight of words contained in the data source (corpus) using Term Frequency-Inverse Document Frequency (TF-IDF) method. Vector Space Model (VSM) algorithm used in the fourth process to find the relevance between phase features. Most importantly, VSM will find the correlation between phrases to reduce the dimension of multidimensional data. This data is the source for assessing the user's emotion with the extraction feature. The correlation mentioned before is the relationship of each word that make up a sentence. Presentation for emotions of each user uses a percentage value using the VSM algorithm approach by taking similarities between requests and data corpus. In proving optimisation results, this project utilises two stages examination of detecting Phrase and Non-Phrase emotional detection. Combination of TF-IDF and VSM methods able to detect Indonesian text emotion documents with 90% data set of the 264 documents, Then of the detected results obtained with phrase detection emotion happy, Fear and Disappointment 92,59% and obtained by non-phrase detection 96,30%.

Item Type:	Thesis (Magister)
Identification Number:	TES/512.52/SIT/a/2017/041708505
Uncontrolled Keywords:	VECTOR SPACES, EMOTIONS, COLLEGE STUDENTS - PSYCHO LOGY
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting > 621.39 Computer engineering
Divisions:	S2/S3 > Magister Teknik Elektro, Fakultas Teknik
Depositing User:	Nur Cholis
Date Deposited:	18 Sep 2017 07:25
Last Modified:	17 Dec 2020 07:45
URI:	http://repository.ub.ac.id/id/eprint/2652

	Text BAGIAN DEPAN.pdf Restricted to Repository staff only Download (1MB)
	Text 2. BAB I.pdf Restricted to Repository staff only Download (273kB)
	Text 2. BAB II.pdf Restricted to Repository staff only Download (538kB)
	Text 2. BAB III.pdf Restricted to Repository staff only Download (354kB)
	Text 2. BAB IV.pdf Restricted to Repository staff only Download (879kB)
	Text 2. BAB V.pdf Restricted to Repository staff only Download (928kB)
	Text 2. BAB VI.pdf Restricted to Repository staff only Download (153kB)
	Text DAFTAR PUSTAKA.0.pdf Restricted to Repository staff only Download (164kB)

Actions (login required)

View Item