Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource
Analisis sentimen merupakan bidang ilmu yang memiliki potensi besar dalam penelitian dan aplikasi praktis. Ini merupakan sebuah tugas dari NLP yang dieksploitasi untuk mengekstraksi dan mengklasifikasi konten berdasarkan sentimen emosi baik positive, negative dan netral. Analisis sentimen sendiri di...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
LP3M Universitas Nurul Jadid
2024-04-01
|
| Series: | Journal of Electrical Engineering and Computer |
| Subjects: | |
| Online Access: | https://ejournal.unuja.ac.id/index.php/jeecom/article/view/8227 |
| _version_ | 1797221996588695552 |
|---|---|
| author | Luthfi Nurul Huda Andi Sunyoto Kusnawi Kusnawi |
| author_facet | Luthfi Nurul Huda Andi Sunyoto Kusnawi Kusnawi |
| author_sort | Luthfi Nurul Huda |
| collection | DOAJ |
| description | Analisis sentimen merupakan bidang ilmu yang memiliki potensi besar dalam penelitian dan aplikasi praktis. Ini merupakan sebuah tugas dari NLP yang dieksploitasi untuk mengekstraksi dan mengklasifikasi konten berdasarkan sentimen emosi baik positive, negative dan netral. Analisis sentimen sendiri dibagi menjadi tiga teknik: teknik berbasis leksikon (lexicon-based), teknik berbasis machine learning (machine learning-based), dan teknik hybrid-based. Penelitian ini mengangkat teknik hybrid-based. Penelitian ini befokus untuk menemukan jenis stemmer yang dapat meningkatkan performa dari algoritma SVM pada analisis sentimen berbasis lexicon. Penelitian ini menerapkan tiga jenis stemmer yang berbeda yakni porter stemmer, snowball stemmer, dan Lancaster stemmer. Kemudian menggunakan AFINN lexicon dictionary. Terakhir algoritma SVM akan dievaluasi menggunakan confusion matrix. Penelitian ini melakukan tiga skenario, yakni gabungan antara jenis stemmer yang digunakan dengan algoritma SVM. Dari ketiga skenario yang dilakukan, gabungan SVM dan Snowball stemmer mendapatkan nilai Accuracy, Precision, Recall dan F1-Score paling tinggi dari dua skenario lainnya. Yakni dengan nilai Accuracy sebesar 95,67 %, Precision sebesar 95,68 %, Recall sebesar 95,67 % dan F1-Score sebesar 95,67 %. |
| first_indexed | 2024-04-24T13:14:19Z |
| format | Article |
| id | doaj.art-c480e6ade761441b8ec309d0e5edf47e |
| institution | Directory Open Access Journal |
| issn | 2715-0410 2715-6427 |
| language | Indonesian |
| last_indexed | 2024-04-24T13:14:19Z |
| publishDate | 2024-04-01 |
| publisher | LP3M Universitas Nurul Jadid |
| record_format | Article |
| series | Journal of Electrical Engineering and Computer |
| spelling | doaj.art-c480e6ade761441b8ec309d0e5edf47e2024-04-04T23:42:28ZindLP3M Universitas Nurul JadidJournal of Electrical Engineering and Computer2715-04102715-64272024-04-0161273710.33650/jeecom.v6i1.82272897Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon ResourceLuthfi Nurul Huda0Andi Sunyoto1Kusnawi Kusnawi2Magister Teknik Informatika Universitas AmikomMagister Teknik Informatika Universitas AmikomMagister Teknik Informatika Universitas AmikomAnalisis sentimen merupakan bidang ilmu yang memiliki potensi besar dalam penelitian dan aplikasi praktis. Ini merupakan sebuah tugas dari NLP yang dieksploitasi untuk mengekstraksi dan mengklasifikasi konten berdasarkan sentimen emosi baik positive, negative dan netral. Analisis sentimen sendiri dibagi menjadi tiga teknik: teknik berbasis leksikon (lexicon-based), teknik berbasis machine learning (machine learning-based), dan teknik hybrid-based. Penelitian ini mengangkat teknik hybrid-based. Penelitian ini befokus untuk menemukan jenis stemmer yang dapat meningkatkan performa dari algoritma SVM pada analisis sentimen berbasis lexicon. Penelitian ini menerapkan tiga jenis stemmer yang berbeda yakni porter stemmer, snowball stemmer, dan Lancaster stemmer. Kemudian menggunakan AFINN lexicon dictionary. Terakhir algoritma SVM akan dievaluasi menggunakan confusion matrix. Penelitian ini melakukan tiga skenario, yakni gabungan antara jenis stemmer yang digunakan dengan algoritma SVM. Dari ketiga skenario yang dilakukan, gabungan SVM dan Snowball stemmer mendapatkan nilai Accuracy, Precision, Recall dan F1-Score paling tinggi dari dua skenario lainnya. Yakni dengan nilai Accuracy sebesar 95,67 %, Precision sebesar 95,68 %, Recall sebesar 95,67 % dan F1-Score sebesar 95,67 %.https://ejournal.unuja.ac.id/index.php/jeecom/article/view/8227analisis sentimen,lexicon based, preprocessing, stemming, svm, |
| spellingShingle | Luthfi Nurul Huda Andi Sunyoto Kusnawi Kusnawi Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource Journal of Electrical Engineering and Computer analisis sentimen,lexicon based, preprocessing, stemming, svm, |
| title | Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource |
| title_full | Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource |
| title_fullStr | Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource |
| title_full_unstemmed | Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource |
| title_short | Pengaruh Jenis Stemmer Terhadap Algoritma Svm Pada Analisis Sentimen Berbasis Lexicon Dengan Afinn Lexicon Resource |
| title_sort | pengaruh jenis stemmer terhadap algoritma svm pada analisis sentimen berbasis lexicon dengan afinn lexicon resource |
| topic | analisis sentimen,lexicon based, preprocessing, stemming, svm, |
| url | https://ejournal.unuja.ac.id/index.php/jeecom/article/view/8227 |
| work_keys_str_mv | AT luthfinurulhuda pengaruhjenisstemmerterhadapalgoritmasvmpadaanalisissentimenberbasislexicondenganafinnlexiconresource AT andisunyoto pengaruhjenisstemmerterhadapalgoritmasvmpadaanalisissentimenberbasislexicondenganafinnlexiconresource AT kusnawikusnawi pengaruhjenisstemmerterhadapalgoritmasvmpadaanalisissentimenberbasislexicondenganafinnlexiconresource |