Seleksi Fitur Berbasis Pearson Correlation Untuk Optimasi Opinion Mining Review Pelanggan

Romadloni, Nova Tri; Pardede, Hilman F.

doi:10.29207/resti.v3i3.1189

Cited by 4 publications

(4 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In this research, Pearson correlation analysis is employed, which is used in statistical analysis to measure the linear relationship between two variables [22]. In the context of text processing, this analysis assesses the extent to which words or features in a dataset exhibit a linear relationship with the target variable that one seeks to predict or analyze.…”

Section: Methodsmentioning

confidence: 99%

Classification of SMS Spam With N-Gram and Pearson Correlation Based Using Machine Learning Techniques

Romadloni,

Septiyanti,

Pratomo

et al. 2024

SJRI

View full text Add to dashboard Cite

The Short Message Service (SMS) has garnered widespread popularity due to its simplicity, reliability, and ubiquitous accessibility.This study aims to enhance the efficacy of SMS classification by refining the classification process itself. Specifically, it strives to streamline the process by diminishing feature dimensions and eliminating inconsequential attributes. The textual data undergoes preprocessing, which involves employing the N-Gram technique for feature representation, followed by meticulous feature selection utilizing Pearson Correlation. The study employs 5 of classification algorithms. Notably, the findings underscore that the optimal outcomes emerge from the fusion of the N-Gram methodology with feature selection through Pearson Correlation. Among these, the Support Vector Machine methodology stands out, exhibiting a remarkable 91.41% enhancement in accuracy without feature selection, a further improvement to 91.96% through N-Gram utilization, and a final performance of 70.80% following the inclusion of weighted correlation. However, it is imperative to acknowledge the limitations inherent in the model's generalizability, primarily stemming from the utilization of a relatively modest dataset. Despite the efficacy of Pearson correlation and N-gram-based feature selection in curbing data dimensionality and enhancing processing efficiency, certain pertinent features may have been overlooked, or the chosen attributes might not be optimally suited for specific classifications.

show abstract

Section: Methodsmentioning

confidence: 99%

Classification of SMS Spam With N-Gram and Pearson Correlation Based Using Machine Learning Techniques

Romadloni,

Septiyanti,

Pratomo

et al. 2024

SJRI

View full text Add to dashboard Cite

show abstract

“…Studi lain juga melakukan penelitian yang yang menekankan seleksi fitur pearson correlation pada analisis sentiment berbelanja online. Pada penelitian tersebut menunjukkan penerapan fitur pearson correlation menungkaatkan kinerja sistem mining dan menghasilkan nilai akurasi yang lebih optimal (Romadloni & Pardede, 2019).…”

Section: Pendahuluanunclassified

Optimasi Feature Selection Pada Komentar Media Sosial Terhadap Peralihan Tv Digital Menggunakan Naïve Bayes, Support Vector Machine dan K-Nearest Neighbor

Tri Romadloni,

Dwi Septiyanti

2023

Decode

View full text Add to dashboard Cite

Dalam menghadapi perubahan pada salah satu media informasi yaitu televisi yang semula menggunakan signal analog beralih menjadi TV dengan signal digital. Hal tersebut disebabkan bahwa siaran dengan transmisi analog rentan terhadap gangguan sehingga peralihan ini sebagai upaya dalam menikmati konten siaran televisi yang lebih baik. Namun, pada kenyataannya terdapat beberapa kesulitan yang dialami oleh beberapa pihak atau kalangan dengan berbagai alasan. Hal tersebut dapat diketahui melalui platform media sosial seperti twitter dan instagram. Dengan adanya kerjadian tersebut maka dapat diambil beberapa komentar positif dan negatif untuk mengetahui dampak dari peralihan signal digital tersebut. Dalam penelitian ini terdapat 1177 data komentar yang didapatkan sehingga membutuhkan teknologi untuk mendeteksi komentar tersebut positif atau negatif. Pada penelitian ini untuk optimasi komentar berbasis Pearson Correlation dengan menggunakan metode Naïve Bayes, Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Hasil akurasi yang didapatkan dari ujicoba tersebut dengan metode Naïve Bayes 61,22%, SVM 80,10 %, dan KNN 79,93%. Jika ditambahan dengan Feature Selection mendapatkan hasil Naïve Bayes 63,68%, SVM 80,19%, dan KNN 80,02%. Berdasarkan hasil percobaan yang dilakukan digunakan untuk mengetahui berapa banyak perbandingan komentar positif dan negatif serta mengetahui perbandingan dari beberapa macam algoritma dengan seleksi fitur sehingga dapat menjadikan hasil yang optimal.

show abstract

“…Penelitian membandingkan akurasi sebelum dan sesudah menggunakan Pearson corellation. Akurasi sebelum menggunakan Pearson corellation sebesar 76,72% Logistic Regresor, 68,15% Naïve Bayes, 94,65% SVM sedangkan menggunakan Pearson corellation berdasarkan seleksi fitur akurasi menjadi 98,80% Logistic Regresor, 87,97% Naïve Bayes, 98,12% SVM [12]. Berdasarkan penelitian tersebut forward selection dan Pearson corellation dapat meningkatkan kinerja algoritma dengan meningkatnya performa akurasi yang dihasillkan.…”

Section: A Pendahuluanunclassified

Komparasi Algoritma Supervised Learning dan Feature Selection pada Klasifikasi Penyakit Gagal Jantung

Kusnawi,

Khrisna Irham Fadhil Pratama

2023

ijcs

View full text Add to dashboard Cite

Penyakit gagal jantung merupakan penyakit yang mematikan yang ada di dunia, gagal jantung terjadi karena kondisi atau adanya kelainan otot-otot pada jantung. Pada tahun 2021 data yang ada pada WHO kematian dikarenakan penyakit jantung mencapai 17,8 juta jiwa. Salah satu cara yang dapat dilakukan yaitu dengan klasifikasi dengan menggunakan dataset public kaggle. Penelitian ini bertujuan mengkomparasi algoritma supervised learning dan metode feature selection yang terbaik, guna memperoleh hasil analisis data dengan akurasi yang baik dalam klasifikasi. Penerapan algoritma SVM, KNN, Naïve Bayes tanpa menggunakan feature selection algoritma SVM unggul menghasilkan accuracy 88.41%. Penerapan forward selection pada algoritma SVM, KNN, Naïve Bayes, algoritma SVM unggul dengan nilai accuracy 89.86%. Penerapan pearson corellation pada algoritma SVM, KNN, Naïve Bayes, algoritma KNN unggul menghasilkan accuracy 90.58%. Penerapan feature selection baik forward selection dan pearson corellation mampu meningkatkan performa akurasi, akan tetapi penerapa pearson corellation pada penelitian ini lebih baik dalam meningkatkan akurasi.

show abstract

Seleksi Fitur Berbasis Pearson Correlation Untuk Optimasi Opinion Mining Review Pelanggan

Cited by 4 publications

References 4 publications

Classification of SMS Spam With N-Gram and Pearson Correlation Based Using Machine Learning Techniques

Classification of SMS Spam With N-Gram and Pearson Correlation Based Using Machine Learning Techniques

Optimasi Feature Selection Pada Komentar Media Sosial Terhadap Peralihan Tv Digital Menggunakan Naïve Bayes, Support Vector Machine dan K-Nearest Neighbor

Komparasi Algoritma Supervised Learning dan Feature Selection pada Klasifikasi Penyakit Gagal Jantung

Contact Info

Product

Resources

About