Analisis Sentimen pada Twitter Berbahasa Indonesia Menggunakan Metode Berbasis Graph dan Support Vector Machine

Penulis

Abdul Malik

Pembimbing: Drs. Edi Winarko, M.Sc., Ph.D; Faizal Makhrus, S.Kom., M.Sc., Ph.D


Besarnya pengaruh dan manfaat dari analisis sentimen pada data media sosial menyebabkan penelitian di bidang ini berkembang pesat, setiap tahun banyak pendekatan model yang dikembangkan. Salah satu metode yang populer digunakan yaitu dengan pendekatan machine learning. Penggunaan machine learning untuk analisis sentimen pada dokumen teks membutuhkan proses ekstraksi fitur untuk membangun bobot vector yang digunakan pada machine learning dalam membangun model klasifikasi. Metode pembobotan fitur yang umum digunakan yaitu dengan pendekatan model TF-IDF dengan cara mentransformasikan data tekstual menggunakan representasi tabel. Penelitian ini menggunakan pendekatan model berbasis graph dan machine learning untuk analisis sentimen pada dokumen tweet berbahasa Indonesia. Model graph digunakan untuk proses ekstraksi fitur dalam proses pembobotan term dimana dokumen tweet direpresentasikan kedalam model graph dan metode machine learning yang digunakan yaitu support vector machine (SVM). Proses pembobotan fitur menggunakan metode TW-IDF dimana bobot fitur dihitung berdasarkan ukuran centralitas node dari model graph. Ada dua model pengukuran centralitas yang diuji dalam penelitian ini, yaitu degree centrality dan closenees centrality. Hasil pengujian menunjukkan model SVM yang dibangun menggunakan fitur TW-IDF berdasarkan ukuran centralitas node dari graph dapat memberikan kinerja yang baik. Pada proses pengujian model SVM dengan fitur TW-IDF berdasarkan ukuran closenees centrality dapat memberikan nilai akurasi 88,60%, nilai f-measure 89,36%. dan untuk ukuran degree centrality dapat memberikan nilai akurasi 87,00%, nilai f-measure 87,33%. Sedangkan untuk Model SVM yang dibangun menggunakan fitur TF-IDF memberikan nilai akurasi 87,60%, dan nilai f-measure 88,36%.

The magnitude of the influence and benefits of sentiment analysis on social media data has led to a rapid development of research in this field, each year with many model approaches being developed. One method that is popularly used is the machine learning approach. The use of machine learning for sentiment analysis in text documents requires a feature extraction process to build vector weights used in machine learning in building a classification model. The commonly used feature weighting method is the TF-IDF model approach by transforming textual data using table representation. This study uses a graph and machine learning based approach to sentiment analysis in Indonesian tweet documents. Graph model is used for feature extraction processes in the term weighting process where the tweet document is represented in the graph model and the machine learning method used is support vector machine (SVM). Feature weighting process uses the TW-IDF method where feature weights are calculated based on the node centrality size of the graph model. There are two centrality measurement models tested in this study, namely degree centrality and closenees centrality. The test results show that the SVM model built using the TW-IDF feature based on the size of the centrality in the graph model can provide good performance. In the testing process, the SVM model with the TW-IDF feature based on the size of the closenees centrality can provide an accuracy value of 88.60%, f-measure value of 89.36%. and for degree centrality size can give an accuracy value of 87.00%, f-measure is 87.33%. Whereas for the SVM Model which was built using the TF-IDF feature, it gave an accuracy value of 87.60%, and f-measure value of 88.36%.

Kata kunci sentiment analysis, SVM, graph-based, centrality measures
Program Studi MAGISTER ILMU KOMPUTER UGM
No Inventaris
Deskripsi
Bahasa Indonesia
Jenis Tesis
Penerbit [Yogyakarta] : Universitas Gadjah Mada, 2018
Lokasi Perpustakaan Pusat UGM
File
  • Anda dapat mengecek ketersediaan versi cetak dari penelitian ini melalui petugas kami dengan mencatat nomor inventaris di atas (apabila ada)
  • Ketentuan Layanan:
    1. Pemustaka diperkenankan mengkopi cover, abstrak, daftar isi, bab pendahuluan, bab penutup/ kesimpulan, daftar pusatak
    2. Tidak diperbolehkan mengkopi Bab Tinjauan Pustaka, Bab Pembahasan dan Lampiran (data perusahaan/ lembaga tempat penelitian)
    3. Mengisi surat pernyataan, menyertakakan FC kartu identitas yang berlaku

<< kembali