Pengaruh Phrase Detection dengan POS-Tagger terhadap Akurasi Klasifikasi Sentimen menggunakan SVM

Abstract

Abstract--Sentiment analysis or opinion mining, which is one of the application of Natural Language Processing (NLP), aims to find a method to facilitate human in communicating with a computer using their common language. To simplify the process of understanding human language, there are three important stages that must be carried out by a computer, which are tokenizing, stemming and filtering. The tokenizing that breaks down the sentence into a single word will make the computer assume all words (token) are the same. If there is a phrase formed from one of unimportant words, which is happened to be in the stoplist, the phrase will be deleted. Solution for the aforementioned problem is tokenizing based on phrase detection using Hidden Markov Model (HMM) POS-Tagger to improve classification performance using Support Vector Machine (SVM). With this approach, computer will be able to distinguish a phrase from others, then store the phrase into a single entity. There is an increase in accuracy by approximately 6% on Dataset I and 3% on Dataset II in the classification process using phrase detection, due to reduction of missing features that usually occurs in the filtering process. In addition, the detection of the phrase-based approach also produces the most optimal classification model, as seen from the ROC value that reaches 0.897. Intisari--Analisis I. PENDAHULUAN A. Latar BelakangDi era informasi seperti saat ini, kemampuan untuk mengolah data menjadi informasi merupakan komoditas yang sangat berharga bagi sebuah organisasi. Partai politik bisa mengetahui popularitas calon presiden yang diusungnya melalui kicauan para pengguna Twitter [1]. Selain itu, dengan banyaknya aplikasi microblogging dan media sosial, hasil analisis dari tulisan atau komentar seorang konsumen bisa digunakan sebagai pendukung manajemen merek dan corporate reputation [2]. Online shop yang berkembang dengan pesat, baik dalam hal jumlah maupun jenis barang yang dijual, juga menyediakan banyak informasi yang bisa digunakan oleh para pelaku bisnis jual beli online [3]. Hal ini menyebabkan munculnya gagasan untuk menilai tanggapan atau ulasan publik terhadap sebuah produk atau kebijakan dari organisasi tertentu yang kemudian digunakan sebagai tolok ukur keberhasilan produk atau kebijaksanaan tersebut. Namun, pekerjaan tersebut akan menjadi sangat berat apabila dilakukan secara manual, karena data yang didapatkan dari aplikasi microblogging dan media sosial mayoritas berupa data tekstual yang tidak terstruktur, sehingga akan memakan banyak waktu dan tenaga bila dilakukan oleh manusia. Oleh sebab itu, dibutuhkan sebuah sistem yang secara otomatis bisa melakukan analisis terhadap data tekstual, yaitu analisis sentimen atau opinion mining.Analisis sentimen atau opinion mining merupakan sebuah kegiatan untuk memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan informasi sentimen yang terkandung dalam suatu kalimat opini [4]. Sentimen itu sendiri merupakan cerminan dari attitude pembicara atau penulis berkenaan dengan t...

Sentiment Analisis Review Film Di IMDB Menggunakan Algoritma SVM

“…Ada banyak contoh algoritma klasifikasi sentimen salah satunya yaitu SVM. SVM merupakan metode yang berfungsi dari prinsip Structural Risk Minimization (SRM) yang bertujuan untuk manemukan hyperplane terbaik yang membedakan dua buah input space [12]. Strategi SRM pada SVM memberikan error generalisasi yang lebih kecil daripada yang didapatkan dari pendekatan Empirical Risk Management (ERM) pada neural network atau metode lainnya [12].…”

“…SVM merupakan metode yang berfungsi dari prinsip Structural Risk Minimization (SRM) yang bertujuan untuk manemukan hyperplane terbaik yang membedakan dua buah input space [12]. Strategi SRM pada SVM memberikan error generalisasi yang lebih kecil daripada yang didapatkan dari pendekatan Empirical Risk Management (ERM) pada neural network atau metode lainnya [12]. Namun, data yang tidak terstruktur sebagaimana data tekstual akan menjadikan banyaknya atribut saat proses pada klasifikasi [12].…”

Integrasi Sentiment Analysis SentiWordNet pada Metode MOORA untuk Rekomendasi Pemilihan Smartphone

“…{"true", "battery", "phone", "drains", "fast", "left", "overnight", "airplane", "mode"} Pada makalah ini tidak dilakukan deteksi frasa sebagaimana yang dilakukan pada penelitian sebelumnya untuk mendeteksi frasa pada komentar berbahasa Indonesia [19].…”

Pengelompokan Artikel Berbahasa Indonesia Berdasarkan Struktur Laten Menggunakan Pendekatan Self Organizing Map

“…Ciri tersebut harus tetap dikombinasikan dengan kemunculan katanya. Pada percobaan lain juga telah dilakukan sebuah upaya untuk mengklasifikan sentimen suatu statemen berdasarkan frasa [7], tetapi hal ini belum memungkinkan untuk diterapkan pada dokumen yang mengandung banyak kalimat dan frasa di dalamnya.…”