Analisis Sentimen Review Aplikasi PeduliLindungi Menggunakan Seleksi Fitur Information Gain Berbasis SVM

Dzulchan Abror

Abstract


Aplikasi PeduliLindungi merupakan salah satu langkah pemerintah Indonesia dalam menekan penyebaran virus Covid 19. Aplikasi ini terdapat pada google play store yang didalamnya disediakan fasilitas rating dan ulasan bagi pengguna aplikasi. Fasilitas ini dapat kita manfaatkan untuk menggali beberapa informasi salah satunya dengan mengelompokkan ulasan menurut polaritas yang ada yaitu positif atau negative. Sehingga dapat diperoleh informasi pandangan masyarakat terhadap sebuah produk atau aplikasi tersebut, bidang penelitian ini dinamakan analisis sentimen. Dalam membangun sebuah model analisis sentimen terdapat suatu permasalahan dimensi fitur yang sangat tinggi, karena didalam teks mining memiliki ribuan fitur. Fitur tersebut kebanyakan irelevan dan tidak berpengaruh terhadap kelas, akibatnya tingkat akurasi model menurun. Solusinya diperlukan suatu metode yang dapat menyeleksi fitur-fitur teks tersebut. Pada penelitian kali ini diajukan metode sentimen analisis terhadap review aplikasi PeduliLindungi dengan metode SVM (Support Vector Machine)  berbasis seleksi fitur information gain. Dataset diambil dari ulasan pengguna berjumlah 300 ulasan dengan metode penelitian membandingkan 2 model, yang pertama SVM tanpa seleksi fitur dengan hasil akurasi sebesar 74,33% dan model kedua SVM menggunakan seleksi fitur information gain dengan hasil akurasi sebesar 84%. Hal ini membuktikan bahwa dengan metode seleksi fitur dapat meningkatkan akurasi.

 

Kata kunci : Pedulilindungi, Analisis Sentimen, Seleksi Fitur, Information Gain, SVM

 


Full Text:

PDF

References


Chen, J., Huang, H., Tian, S., & Qu, Y. (2009). Feature selection for text classification with Naïve Bayes. Expert Systems with Applications, 36(3 PART 1), 5432–5435. https://doi.org/10.1016/j.eswa.2008.06.054

Chormunge, S., & Jena, S. (2016). Efficient feature subset selection algorithm for high dimensional data. International Journal of Electrical and Computer Engineering, 6(4), 1880–1888. https://doi.org/10.11591/ijece.v6i4.9800

Djatna, T., & Morimoto, Y. (2008). Pembandingan Stabilitas Algoritma Seleksi Fitur Menggunakan Transformasi Ranking Normal. Jurnal Ilmiah Ilmu Komputer, 6(2), 245006.

Irsad, A. E., Sari, Y. A., & Fauzi, M. A. (2019). Seleksi Fitur Information Gain untuk Klasifikasi Informasi Tempat Tinggal di Kota Malang Berdasarkan Tweet Menggunakan Metode Naïve Bayes dan Pembobotan TF-IDF-CF. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(5), 4907–4913.

Isnain, A. R., Sakti, A. I., Alita, D., Marga, N. S., Kunci, K., Analisis, S., & Machine, S. V. (2021). JAKARTA MENGGUNAKAN ALGORITMA SVM Media sosial menjadikan masyarakat mengalami pergeseran perilaku baik budaya , etika dan norma yang ada , sehingga mereka dapat mengeluarkan opini - opini yang mereka miliki . Opini merupakan suatu pendapat dari pemikiran. 2(1), 31–37.

KOMINFO/RDJS/YOY. (2021). Ini Manfaat Aplikasi PeduliLindungi yang Belum Banyak Diketahui.

Kurniawati, I., & Pardede, H. F. (2018). Hybrid Method of Information Gain and Particle Swarm Optimization for Selection of Features of SVM-Based Sentiment Analysis. 2018 International Conference on Information Technology Systems and Innovation, ICITSI 2018 - Proceedings, 1–5. https://doi.org/10.1109/ICITSI.2018.8695953

Maulida, I., Suyatno, A., Rahmania Hatta, H., & Mulawarman, U. (2016). Seleksi Fitur Pada Dokumen Abstrak Teks Bahasa Indonesia Menggunakan Metode Information Gain. JSM STMIK Mikroskil, 17(2), 249–258.

Nugroho, K. S. (2019). Confusion Matrix untuk Evaluasi Model pada Supervised Learning.

Paliwal, S., & , Sunil Kumar Khatri, and M. S. (2019). Sentiment Analysis and Prediction Using Neural Networks. Springer Nature Singapore Pte Ltd, 458–470.

Purnamawan, I. K. (2015). yang mempunyai keunggulan dapat mengolah data berdimensi tinggi, tanpa mengalami penurunan performa yang signifikan. SVM sekarang ini semakin banyak dipergunakan. Pada. Information and Software Technology, 12, 173–180.

Putra, J. W. G. (2019). Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. In Computational Linguistics and Natural Language Processing Laboratory (1.4, Vol. 4).

Tripathy, A., Agrawal, A., & Rath, S. K. (2015). Classification of Sentimental Reviews Using Machine Learning Techniques. Procedia Computer Science, 57, 821–829. https://doi.org/10.1016/j.procs.2015.07.523

Wibowo, A. (2017). 10 FOLD-CROSS VALIDATION.

Wikipedia. (2020). Validasi- Silang (statistik).




DOI: https://doi.org/10.31294/ijse.v9i1.15698

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

ISSN : 2714-9935 


Published by LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450


This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License