Intensified Gray Wolf Optimization-based Extreme Learning Machine for Sentiment Analysis in Big Data

Rathika, J.; Soranamageswari, M.

doi:10.1007/978-981-16-8554-5_11

Cited by 4 publications

(1 citation statement)

References 31 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hal tersebut dapat dilihat dari upaya yang dilakukan dalam penelitian dan pengembangan sistem untuk ekstraksi otomatis informasi dari sebuah ulasan. Data dan informasi dari internet menjadi target utama penelitian di bidang text mining oleh perusahaan untuk berbagai tujuan (Ahuja et al, 2015;Pilar et al, 2022;Rathika & Soranamageswari, 2022;Starosta, 2022;Xue et al, 2021). Objek dari aplikasi text mining yang akan dilakukan pada penelitian ini adalah media sosial.…”

Section: Pendahuluanunclassified

Implementasi Text-Mining untuk Analisis Sentimen pada Twitter dengan Algoritma Support Vector Machine

Hermawan,

Jowensen,

Junaedi

et al. 2023

j. sains. teknologi.

View full text Add to dashboard Cite

Setiap tahun, jumlah orang yang menggunakan media sosial bertambah seiring dengan jumlah orang yang menggunakan internet. Peningkatan tersebut diiringi dengan meningkatnya informasi pada internet yang tentunya informasi tersebut mempunyai nilai jika dilakukan analisa. Untuk menganalisa data dalam jumlah besar dapat menggunakan teknik text mining. Text mining mampu memproses untuk memperoleh informasi berkualitas tinggi dari teks. Text mining juga dapat digunakan untuk menganalisa informasi seperti sentimen dari sebuah kalimat dengan sangat cepat untuk memudahkan dalam mendapatkan informasi yang berkualitas. Informasi diproses berasal dari media sosial berbasis text yaitu twitter yang mana pengambilan data dilakukan dengan bantuan Application Programming Interface dan menggunakan kata kunci berupa sebuah kata atau hashtag. Kalimat tersebut akan dilakukan proses text mining dengan menggunakan algoritma Support Vector machine untuk menghasilkan klasifikasi dari sentimen suatu kalimat ke dalam sentiment positif, netral atau negatif. Tingkat akurasi yang dihasilkan oleh proses ini adalah sebesar 73% berdasarkan data sentimen yang dimiliki. Tingkat akurasi dalam melakukan text mining sangat dipengarui pada proses Pre-Processing karena terdapat banyak kata perlu dilakukan pengelolahan lebih lanjut.

show abstract

Section: Pendahuluanunclassified