Film Review Sentiment Analysis Using TF-IDF and Support Vector Machine
| Main Authors: | Gifari, Okta Ihza, Adha, Muh., Freddy, Fernandito , Durrand, Fernandito Freddy Setlight |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | ind |
| Terbitan: |
Institut Shanti Bhuana
, 2022
|
| Subjects: | |
| Online Access: |
https://journal.shantibhuana.ac.id/index.php/jifotech/article/view/330 https://journal.shantibhuana.ac.id/index.php/jifotech/article/view/330/173 |
Daftar Isi:
- Intisari—Dengan kemajuan teknologi saat ini seluruh informasi tentang semua film sudah tersedia di Internet. Jika informasi dikelola dengan baik maka dapat memberikan manfaat berupa informasi yang berguna untuk membantu individu atau organisasi untuk mengambil keputusan. Penelitian ini bertujuan untuk menjelaskan analisis sentimen pada dokumen film. Metode yang digunakan pada penelitian ini adalah TF-IDF (Term Frequency-Inverse Document Frequency) dan SVM (Support Vector Machine) . Metode ini dipilih karena mampu melakukan pembobotan terhadap kata dan mengklasifikasikan data berdimensi tinggi. Dari uji skenario yang dilakukan, diketahui bahwa algoritma TF-IDF dan SVM dapat digunakan untuk kasus review film dengan nilai Accuracy 85%, nilai Precision 100%, nilai Recall 70%, dan nilai F1-Score sebesar 82%.
- Abstract— With today's technological advancements, all information about all movies is readily available on the Internet. If information is managed properly, it can provide benefits in the form of useful information to help individuals or organizations to make decisions. This study aims to explain sentiment analysis on film documents. The methods used in this research are TF-IDF (Term Frequency-Inverse Document Frequency) and SVM (Support Vector Machine). This method was chosen because it is capable of weighting words and classifying high-dimensional data. From the scenario tests conducted, it is known that the TF-IDF and SVM algorithms can be used for film review cases with an Accuracy value of 85%, a Precision value of 100%, a Recall value of 70%, and an F1-Score value of 82%.