Klasifikasi Opini Pada Fitur Produk Berbasis Graph

Abstract

Abstrak Produk merupakan sesuatu yang ditawarkan oleh produsen kepada konsumen, di mana setiap produk memiliki opini yang berbeda-beda bagi setiap konsumen. Opini produk yang berbeda-beda tersebut dapat berupa opini positif maupun negatif. Untuk menganalisis opini yang berupa opini positif atau negatif secara otomatis, diperlukan adanya suatu sistem yang dapat digunakan oleh produsen maupun konsumen. Pada tugas akhir ini, dilakukan penelitian terhadap klasifikasi opini dengan menggunakan nilai kemiripan (similarity) antar kata dengan menggunakan dua pendekatan berbasis graph yaitu Word2Vec dan WordNet. Word2Vec merupakan representasi kata dalam bentuk vektor yang digunakan untuk menghasilkan word embeddings [1]. Sedangkan WordNet merupakan sebuah database kamus bahasa Inggris yang memiliki hirarki keterhubungan antar kata melalui jalur yang dimilikinya [2]. Penelitian tugas akhir ini menunjukkan bahwa hasil klasifikasi opini fitur produk menggunakan Word2Vec memiliki persentase akurasi yang lebih tinggi jika dibandingkan dengan klasifikasi opini fitur produk dengan menggunakan WordNet dengan rata-rata selisih persentase akurasi dari 6 dataset yaitu 2.07%. Hal tersebut disebabkan karena pada pendekatan Word2Vec, kosakata (vocabulary) yang dimiliki dapat dikembangkan sendiri berdasarkan data training yang digunakan. Sedangkan pada WordNet, kumpulan kata yang terdapat pada corpus merupakan data dari WordNet itu sendiri, jadi tidak dapat dikembangkan sendiri seperti pada Word2Vec. Kata kunci : sentiment analysis, word2vec, wordnet, graph-based classification, word embeddings.