Analisis Sentimen dengan Menggunakan Metode Klasifikasi Lazy KStar

Nurirwan Saputra

Sari


Analisis Sentimen merupakan cabang ilmu dari text mining yang sudah mulai banyak dimanfaatkan dalam berbagai bidang, misalnya dalam bidang politik, bidang pemasaran produk, bidang jasa, bidang perhotelan dan lain lain. Contoh analisis sentimen dalam dunia bisnis yaitu digunakan untuk menganalisis secara otomatis opini pelanggan tentang produk dan pelayanannya. Dalam bidang politik, analisis sentimen digunakan untuk menampung aspirasi masyarakat mengenai kinerja pemerintahan maupun manajemen reputasi tokoh tertentu. Dalam bidang pendidikan, termasuk dalam penelitian ini, dengan melakukan analisis sentimen mahasiswa terhadap sebuah Universitas atau Perguruan Tinggi, dapat menjadi evaluasi Perguruan Tinggi tersebut dalam meningkatkan kualitas pembelajarannya. Penelitian ini menggunakan data primary yang berasal dari mahasiswa yang minimal sudah melakukan pembelajaran minimal setahun di Universitas PGRI Yogyakarta, data yang didapat, akan dilakukan normalisasi kata terlebih dahulu, sehingga kata yang tidak baku menjadi baku. Kemudian penelitian ini menggunakan Word Tokenizer dengan menggunakan metode klasifikasi Lazy K-Star. Hasil klasifikasi menggunakan metode Lazy K-Star tidak sebaik dengan menggunakan metode Naive Bayes dan SVM dengan persentase sebesar 79,2952 %, sehingga perlu adanya improvisasi atau pembelajaran tambahan yang dilakukan guna mendapatkan hasil akurasi yang lebih baik.

Kata-kata kunci: analisis sentimen, Lazy K-Star


Teks Lengkap:

PDF

Referensi


I. F. Rozi, S. H. Pramono, and E. A. Dahlan, “Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi,” J. EECCIS, vol. 6, no. 1, pp. 37–43, Mar. 2013.

V. Chandani, R. S. Wahono, and Purwanto, “Komparasi Algoritma Klasifikasi Machine Learning Dan Feature

Selection pada Analisis Sentimen Review Film,” J. Intell. Syst., vol. 1, no. 1, pp. 56– 60, Feb. 2015.

G. A. Buntoro, T. B. Adji, and A. E. Permanasari, “Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double Propagation.” [Online]. Available: https://www.researchgate.net/profile/ Ghulam _Buntoro/p ublication/ 270794878_Sentiment_Analysis_Twitter_dengan _Kombinasi_Lexicon_Based_dan_Double _ P r o p a g a t i o n / l i n k s / 54b4f8e10cf2318f0f97037e.pdf. [Accessed: 13-Apr-2017].

N. Saputra, T. B. Adji, and A. E. Permanasari, “ANALISIS SENTIMEN DATA PRESIDEN JOKOWI DENGAN PREPROCESSING NORMALISASI DAN STEMMING MENGGUNAKAN METODE NAIVE BAYES DAN SVM,” J. Din. Inform., vol. 5, no. 1, Jun. 2015.

T. Hastie, R. Tibshirani, and J. Friedman, “Unsupervised Learning,” in The Elements of Statistical Learning, Springer New York, 2009, pp. 485–585.

P. Han, D. B. Wang, and Q. G. Zhao, “The research on Chinese document clustering based on WEKA,” in 2011 International Conference on Machine Learning and Cybernetics, 2011, vol. 4, pp. 1953–1957.

J. Ramos, “Using TF-IDF to Determine Word Relevance in Document Queries,” Dep. Comput. Sci. Rutgers Univ., 2003.

N. Mishra and A. Mishra, “Part of Speech Tagging for Hindi Corpus,” in 2011 International Conference on Communication Systems and Network Technologies, 2011, pp. 554–558.

S. D. Thepade and M. M. Kalbhor, “Novel data mining based image classification with Bayes, Tree, Rule, Lazy and Function Classifiers using fractional row mean of Cosine, Sine and Walsh column transformed images,” in 2015 International Conference on Communication, Information


Refbacks

  • Saat ini tidak ada refbacks.