Sentiment Analysis Using Ensemble Learning to Classify Airport Service Experience From an Air Traveler Perspective

ARIF DINULSYAH PUTRA, Afiahayati S.Kom, M.Cs., Ph.D

2018 | Skripsi | S1 ILMU KOMPUTER

Saat ini bandara tidak hanya menjadi tempat bagi pesawat terbang untuk lepas landas dan mendarat namun fasilitas publik yang diharapkan untuk melakukan pengoperasian layanan yang memadai dan berkualitas tinggi bagi penumpang bandara. Sehingga diperlukan pengukuran persepsi penumpang terhadap layanan bandara untuk memberikan masukan yang berharga bagi bandara tersebut. Pada penelitian ini, penulis mencoba menerapkan pembelajaran ensemble menggunakan Random Forests and Extremely Randomized Tree untuk mengklasifikasikan pengalaman terhadap pelayanan bandara. Kemudian pada eksperimen diterapkan perbandingan hasil performa dari algoritma ensemble dan menganalisa evaluasi metrik yang dihasilkan dengan kombinasi dari beberapa parameter pada praproses, ekstraksi fitur, jumlah pohon dan algoritma pembelajaran. Telah diperlihatkan bahwa Exteremely Randomized Tree menghasilkan model dengan performa yang sedikit lebih baik dibandingkan algoritma Random Forests. Lalu hasil evaluasi dari seluruh eksperimen memperlihatkan bahwa dengan menggunakan kombinasi dari parameter seperti nostopword, Tf-idf , n_tree dengan jumlah 250 dan Exteremely Randomized Tree telah menghasilkan hasil terbaik dibandingkan kombinasi parameter yang lain dan hasil evaluasi pada precision, recall dan accuracy berturut-turut adalah 91%, 88%, 89%.

Nowadays airports are not only a place for airlines to take off and landing, whereas public facilities that are expected to operate a sufficient service organization providing efficient and high-quality services for airport passengers. So that measuring the passenger perception of airport services provides a valuable feedback to an airport. In this research, the author tries to apply ensemble learning model using Random Forests and Extremely Randomized Tree to classify airport services experience based on sentiment. Additionaly the experiment tries to compare performance results of these ensemble algorithm and observing the evaluation metrics produced in combination of parameters using distinct preprocessing, feature extraction, number of trees and algorithm. It has been shown that Extremely Randomized Tree can produce a slightly better performance model compared to Random Forests algorithm. Afterward The evaluation results from all of the experiment showed that using the combination of parameters like nostopword, Tf-idf , n_tree equals to 250 and Extremely randomized Tree algorithm have produced the best result among other combinations and the result in order of precision, recall, and accuracy respectively 91%, 88%, 89%.

Kata Kunci : sentiment analysis, ensemble learning, airport services, random forests, extremely randomized tree