PENERAPAN PART-OF-SPEECH FILTERING PADA FEATURE SELECTION DALAM METODE SUPPORT VECTOR MACHINE TERHADAP ANALISA SENTIMEN TWITTER MENGENAI PEMILIHAN GUBERNUR DKI JAKARTA 2017

Damara, Fregy (2017) PENERAPAN PART-OF-SPEECH FILTERING PADA FEATURE SELECTION DALAM METODE SUPPORT VECTOR MACHINE TERHADAP ANALISA SENTIMEN TWITTER MENGENAI PEMILIHAN GUBERNUR DKI JAKARTA 2017. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (280kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (924kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (144kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (134kB)
	Archive (SOURCE CODE) Source Code_13.11.6927 Fregy Damara.zip Restricted to Repository staff only Download (13MB)
	Text (PUBLIKASI) Publikasi_13.11.6927 Fregy Damara.pdf Restricted to Repository staff only Download (612kB)

Abstract

Di dalam penelitian ini, peneliti melakukan penelitian untuk mengetahui efek dari feature selection pada Support Vector Machine dalam melakukan klasifikasi sentimen pada tweet di Twitter. Input space yang diberikan terhadap SVM yaitu sebuah feature yang telah diproses melalui tahapan Part-of-Speech Filtering, yang berguna untuk menentukan porsi kata-kata yang sesuai untuk proses pembelajaran model dari perspektif teoritis maupun linguistik. Terdapat 4 tag yang di seleksi yaitu tag kata benda(NN), kata kerja(VB), kata sifat(JJ), dan kata keterangan(RB). Input Space tersebut sebelumnya telah diolah melalui perhitungan bobot TF-IDF. Setelah TF-IDF masing-masing tweet diketahui, lalu akan diukur kedekatan TF-IDF tersebut dengan feature list positif, negatif, dan netral melalui perhitungan Cosine Similarity. Ketiga bobot Cosine Similarity ini yang nantinya akan di klasifikasi oleh Support Vector Machine. Kesimpulan yang dihasilkan dari penelitian ini adalah akurasi model yang didapatkan oleh model tanpa proses POS Filtering mengungguli model dengan proses POS Filtering dengan persentase masing-masing 96.66 % dan 99.25 %. Adapun persentase akurasi prediksi yang dilakukan oleh masing-masing model yaitu sebesar 53,33% untuk pos filter dan 56,66% untuk POS Filter.

Actions (login required)

View Item