Analisis sentimen Twitter Menggunakan Ensemble Feature dan Metode Extreme Learning Machine (ELM) (Studi Kasus: Samsung Indonesia)
| Main Author: | Rausanfita, Alqis |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/161984/1/Alqis%20Rausanfita.pdf http://repository.ub.ac.id/161984/ |
Daftar Isi:
- Seiring berkembangnya teknologi perusahaan-perusahaan mengalami masa perallihan dengan mengembangkan usahanya menjadi berbasis digital. Aktivitas bisnis yang sangat krusial dan memiliki dampak nyata pada pertumbuhan organisasi dan Return Of Investment (ROI) yaitu memahami dan menanggapi secara tepat sentimen dari pelanggan dengan melakukan analisis sentimen. Dengan adanya analisis sentimen perusahaan dapat menjadi pedoman untuk mengevaluasi produk, layanan, reputasi merek, dan perusahaan dapat menjadi pemimpin pasar yang didukung dengan kondisi pelanggan yang sangat emosional sehingga produk/layanan yang membuat kecewa akan kehilangan komitmen pelanggan bahkan pelanggan akan mengalami kesusahan untuk menemukan kembali pengalaman pelanggan jika suatu perusahaan tidak mempedulikan ungkapan sentimen pelanggan. Berdasarkan penjelasan tersebut, penelitian ini di lakukan menggunakan ensemble feature dan Extreme Learning Machine untuk analisis sentimen Twitter. Data yang digunakan dalam penelitian ini sebanyak 72 tweet dengan perbandingan jumlah data training dan testing 70:30 di mana jumlah data tiap kelas seimbang. Sebelum dilakukan klasifikasi data tersebut dilakukan preprocessing, pembobotan ensemble feature, serta pembobotan kata. Hasil Pengujian pada penelitian ini didapatkan jumlah hidden neuron terbaik sebanyak 5000, fungsi aktivasi terbaik adalah sigmoid bipolar, dan ensemble feature berpengaruh terhadap hasil akurasi. Analisis sentimen Twitter menggunakan ensemble feature dan metode Extreme Learning Machine pada studi kasus Samsung Indonesia tidak mendapatkan akurasi yang tinggi. Akurasi yang didapatkan hanya sebesar 42,857 %. Rendahnya akurasi disebabkan munculnya sparse data matrix sehingga terjadi overfitting yang kemudian berakibat rendahnya hasil akurasi.