(Similarity) POINT DISTRIBUTION PADA WEIGHTED MAJORITY VOTE (WMV) UNTUK PENINGKATAN KINERJA SENTIMENT ANALYSIS TERSUPERVISI PADA DATASET TWITTER

Rintyarna, Bagus Setya (2022) (Similarity) POINT DISTRIBUTION PADA WEIGHTED MAJORITY VOTE (WMV) UNTUK PENINGKATAN KINERJA SENTIMENT ANALYSIS TERSUPERVISI PADA DATASET TWITTER. Jurnal Teknologi Informasi dan Sistem Komputer.

Text 16 Joint Distribution.pdf Download (2MB)

Abstract

Sentiment analysis adalah teknik komputasi text mining berbasis natural language processing (NLP) untuk
mengekstraksi pendapat seseorang yang diungkapkan dalam platform online, termasuk dalam platform
microblogging Twitter, salah satu platform microblogging yang paling popular digunakan di Indonesia. Ada dua
pendekatan yang umum digunakan dalam teknik sentiment analysis yaitu pendekatan berbasis machine learning
(ML) dan pendekatan berbasis sentiment lexicon (SL). Fokus penelitian ini adalah untuk pengembangan teknik
sentiment analysis berbasis machine learning yang disebut juga teknik tersupervisi pada dataset Twitter. Sebagian
besar sentiment analysis pada dataset Twitter berbahasa Indonesia mengandalkan single machine learning
algorithm. Penelitian ini menggabungkan kinerja berbagai algoritma/experts seraya mengurangi tingkat kesalahan
klasifikasi dengan meng-update bobot secara dinamis menggunakan weighted majority vote (WMV) berbasis joint
distribution dari Bayesian Network. Pada tahap pertama, data di grabbing dari Twitter dengan 3 hashtag terkait
Covid-19 sebagai data eksperimen. Selanjutnya kinerja weighted majority vote secara ekstensif dibandingkan
dengan 4 metode baseline sebagai pembanding, yaitu: Naïve Bayes, Gaussian Naïve Bayes, Multinomial Naïve
Bayes dan Majority Vote dari ketiga single classifier tersebut. Metrics kinerja yang digunakan adalah precision,
recall, fmeasure, accuracy dan Mathews correlation coeficient (MCCC). Dalam eksperimen, terbukti bahwa WMV
mampu meningkatkan kinerja sentiment analysis pada ketiga topik dataset dengan evaluator berbagai metrics
kinerja sentiment analysis.

[error in script]

Item Type:	Peer Review
Keywords/Kata Kunci:	Sentiment analysis, Machine learning, weighted majority algorithm
Subjects:	600 Technology and Applied Science > 620 Engineering
Divisions:	Faculty of Engineering > Department of Electrical Engineering (S1)
Depositing User:	Bagus Setya Rintyarna | bagus.setya@unmuhjember.ac.id
Date Deposited:	23 Dec 2022 01:41
Last Modified:	23 Dec 2022 01:41
URI:	http://repository.unmuhjember.ac.id/id/eprint/15689

Actions (login required)

View Item