(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.

Item Type:	Peer Review
Uncontrolled Keywords:	Sentiment analysis, Machine learning, weighted majority algorithm
Subjects:	600 Technology and Applied Science > 620 Engineering
Divisions:	Faculty of Engineering > Department of Electronics Engineering (S1)
Depositing User:	Bagus Setya Rintyarna
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