Analisis Sentimen Pengaruh Kombinasi Ekstraksi Fitur Tf-idf Dan Lexicon Pada Ulasan Film Menggunakan Metode Knn
DOI:
https://doi.org/10.34818/eoe.v8i5.15726Abstract
Industri film selalu berkembang dengan cepat seiring bertambahnya waktu. Terdapat banyak pertimbangan untuk menentukan film yang berkualitas, ulasan film merupakan salah satu faktor yang memiliki peran penting untuk menentukan film yang berkualitas. Situs IMDb merupakan salah satu platform yang digunakan untuk menampung sentimen seseorang terhadap film. Metode machine learning dapat digunakan untuk memudahkan kita dalam hal meringkas atau melakukan analisis terhadap banyak opini yang ada dalam platform tersebut. Dalam Tugas Akhir ini dibangun sistem analisis sentiment dengan menggunakan metode machine learning KNN dengan menggabungkan fitur ekstraksi TF-IDF dan Lexicon SentiWordNet. Data yang digunakan dalam Tugas Akhir ini adalah data ulasan film dari website iMDB sebanyak 2000. Hasil akhir dari penelitian yang dilakukan ini yaitu analisis terhadap penggabungan metode fitur ekstraksi TF-IDF dengan Lexicon SentiWordnet dan menguji penggunaan fitur seleksi Information Gain (IG). Dari hasil percobaan yang telah dilakukan, penggabungan fitur ekstraksi TF-IDF dengan Lexicon SentiWordnet memiliki hasil akurasi yang tidak lebih tinggi dibandingkan dengan hanya menggunakan fitur ekstraksi TF-IDF yaitu 73.31%, dan penggunaan fitur seleksi IG dengan threshold yang tepat mampu mengoptimasi hasil performansi. Kata kunci : analisis sentimen, KNN, Lexicon SentiwordNet, TF-IDF, ulasan filmDownloads
References
[1] V. Uma Ramya and K. Thirupathi Rao, “Sentiment analysis of movie review using machine learning
techniques,” Int. J. Eng. Technol., vol. 7, no. 16, pp. 676–681, 2018, doi: 10.14419/ijet.v7i2.7.10921.
[2] K. Kumar, B. S. Harish, and H. K. Darshan, “Sentiment Analysis on IMDb Movie Reviews Using
Hybrid Feature Extraction Method,” Int. J. Interact. Multimed. Artif. Intell., vol. 5, no. 5, p. 109, 2019,
doi: 10.9781/ijimai.2018.12.005.
[3] O. Kolchyna, P. C. Treleaven, and T. Aste, “Twitter Sentiment Analysis: Lexicon Method, Machine
Learning Method and Their Combination.”
[4] B. Liu, Sentiment Sentiment Analysis Analysis and and Opinion Opinion Mining Mining. .
[5] M. Rezwanul, A. Ali, and A. Rahman, “Sentiment Analysis on Twitter Data using KNN and SVM,” Int.
J. Adv. Comput. Sci. Appl., vol. 8, no. 6, pp. 19–25, 2017, doi: 10.14569/ijacsa.2017.080603.
[6] N. Octaviani Faomasi Daeli, “Sentiment Analysis on Movie Reviews Using Information Gain and KNearest Neighbor,” J. Data Sci. Its Appl., vol. 3, no. 1, pp. 1–007, 2020, doi: 10.34818/JDSA.2020.3.22.
[7] W. P. Ali, Y. Sibaroni, and S. Si, “Analisis Sentimen Masyarakat Terhadap Kinerja Presiden Indonesia
Dalam Aspek Ekonomi , Kesehatan , dan Pembangunan Berdasarkan Opini dari Twitter,” e-Proceeding
Eng., vol. 6, no. 2, pp. 8637–8649, 2019.
[8] E. Cambria, A. Valdivia, M. V. Luzón, and F. Herrera, “AFFECTIVE COMPUTING AND
SENTIMENT ANALYSIS Sentiment Analysis in TripAdvisor,” 2017, [Online]. Available:
www.computer.org/intelligent.
[9] S. Zhang et al., “IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS 1
Efficient kNN Classification With Different Numbers of Nearest Neighbors,” Ieee Trans. Neural
Networks Learn. Syst., pp. 1–12, 2017, [Online]. Available: http://ieeexplore.ieee.org.
[10] A. Khan, B. Baharudin, and K. Khan, “Sentiment Classification Using Sentence-level Lexical Based
Semantic Orientation of Online Reviews,” Trends Appl. Sci. Res., vol. 6, no. 10, pp. 1141–1157, 2011,
doi: 10.3923/tasr.2011.1141.1157.
[11] K. Sugiyama, “Refinement of TF-IDF Schemes for Web Pages using their Hyperlinked Neighboring
Pages,” pp. 198–207.
[12] M. Yunus, “TF-IDF (Term Frequency-Inverse Document Frequency) : Representasi Vector Data Text,”
medium, 2020. https://medium.com/@yunusmuhammad007/tf-idf-term-frequency-inverse-documentfrequency-representasi-vector-data-text-2a4eff56cda (accessed Nov. 18, 2020).
[13] A. M. Ismail, “Cara Kerja Algoritma k-Nearest Neighbor (k-NN),” medium, 2018.
https://medium.com/bee-solution-partners/cara-kerja-algoritma-k-nearest-neighbor-k-nn-389297de543e
(accessed Nov. 16, 2020).
[14] I. Maulida, A. Suyatno, and H. R. Hatta, “Seleksi Fitur Pada Dokumen Abstrak Teks Bahasa Indonesia
Menggunakan Metode Information Gain,” vol. 17, no. 2, pp. 249–258, 2016.
[15] J. O. Pedersen, “A Comparative Study on Feature Selection in Text Categorization.”
[16] M. Yunus, “Feature Selection menggunakan Information Gain,” medium, 2020.
https://medium.com/@yunusmuhammad007/feature-selection-menggunakan-information-gainba94ca66f658 (accessed Nov. 18, 2020).
[17] A. M. Ismail, “Cara Kerja Algoritma k-Nearest Neighbor (k-NN),” medium, 2018.
https://medium.com/bee-solution-partners/cara-kerja-algoritma-k-nearest-neighbor-k-nn-389297de543e
(accessed Nov. 14, 202



