Penggunaan Metode Glove Untuk Ekspansi Fitur Pada Analisis Sentimen Twitter Dengan Naïve Bayes Dan Support Vector Machine
DOI:
https://doi.org/10.34818/eoe.v9i3.18014Abstract
Abstrak Analisis Sentimen merupakan cara untuk mengetahui opini publik terhadap suatu informasi. Berbagai metode dapat digunakan untuk memperoleh akurasi serta meningkatkan akurasi informasi yang didapat dari Analisis Sentimen. Untuk mendapatkan akurasi yang maksimal ini dilakukan dengan 3 tahapan yaitu pencarian baseline, penggunaan hyperparameter dan TFIDF, dan penggunaan Korpus. Penggunaan korpus yang tidak efektif karena ketidaksesuaian kosakata dapat menurunkan akurasi analisis sentimen. Oleh karena itu digunakan Metode GloVe dalam ekspansi fitur pada Korpus untuk mengatasi ketidasesuaian kosakata pada data yang kita miliki. Selain menggunakan Metode GloVe sebagai cara untuk mengekspannsi fitur, Support Vector Machine serta Naive Bayes juga digunakan sebagai Metode Klasifikasi. Hasil yang didapat dari penelitian yaitu perbandingan akurasi sebelum dan sesudah melakukan ketiga tahapan tersebut. Peningkatan yang diperoleh adalah sebesar 44% dan 54% dengan akurasi yang sebelumnya sebesar 0.5394 dan 0.5406 meningkat menjadi 0.7786 dan 0.8323 untuk Naïve Bayes dan Support Vector Machine. Kata kunci : analisis sentiment, feature expansion, GloVe. SVM, NBReferences
[1] Herman, “Indonesia Masuk Lima Besar
Pengguna Twitter,”
https://www.beritasatu.com/, 2017.
http://www.beritasatu.com/digitallife/428591-indonesia-masuk- limabesarpengguna-twitter.html,.
[2] P. Fornacciari, M. Mordonini, and M.
Tomauiolo, “Social network and sentiment
analysis on twitter: Towards a combined
approach,” CEUR Workshop Proc., vol.
1489, no. January 2018, pp. 53–64, 2015.
[3] B. Liu, “Sentiment analysis and subjectivity,”
Handb. Nat. Lang. Process. Second Ed., pp.
627–666, 2010.
[4] E. B. Setiawan, D. H. Widyantoro, and K.
Surendro, “Feature expansion for sentiment
analysis in twitter,” Int. Conf. Electr. Eng.
Comput. Sci. Informatics, vol. 2018-Octob,
pp. 509–513, 2018, doi:
10.1109/EECSI.2018.8752851.
[5] E. B. Setiawan, D. H. Widyantoro, and K.
Surendro, “Feature expansion using word
embedding for tweet topic classification,”
Proceeding 2016 10th Int. Conf.
Telecommun. Syst. Serv. Appl. TSSA 2016
Spec. Issue Radar Technol., no. October,
2017, doi: 10.1109/TSSA.2016.7871085.
[6] Y. Watequlis Syaifudin and D. Puspitasari,
“Twitter Data Mining for Sentiment Analysis
on Peoples Feedback Against Government
Public Policy,” MATTER Int. J. Sci. Technol.,
vol. 3, no. 1, pp. 110–122, 2017, doi:
10.20319/mijst.2017.31.110122.
[7] W. W, W. Priatna, and J. Hidayat, “A
IMPLEMENTASI TERM FREQUENCY –
INVERSE DOCUMENT FREQUENCY
(TF-IDF) DAN VECTOR SPACE MODEL
(VSM) UNTUK PENCARIAN BERITA
BAHASA INDONESIA,” Pelita Teknol.,
vol. 14, no. 2, pp. 119–133, 2019, [Online].
Available:
https://jurnal.pelitabangsa.ac.id/index.php/pe
litatekno/article/view/237.
[8] C. D. M. Jeffrey Pennington, Richard Socher,
“GloVe: Global Vectors for Word
Representation.”
https://nlp.stanford.edu/projects/glove/.
[9] D. K. Srivastava and L. Bhambhu, “Data
classification using support vector machine,”
J. Theor. Appl. Inf. Technol., vol. 12, no. 1,
pp. 1–7, 2010.
[10] R. Ferdiana, F. Jatmiko, D. D. Purwanti, A.
S. T. Ayu, and W. F. Dicka, “Dataset
Indonesia untuk Analisis Sentimen,” J. Nas.
Tek. Elektro dan Teknol. Inf., vol. 8, no. 4, p.
334, 2019, doi: 10.22146/jnteti.v8i4.533.
