perbandingan sentimen analisis terhadap brand indomie menggunakan naïve bayes & long short term memory (lstm)
| Main Author: | Elisabeth, Elisabeth |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/5238/1/BAB%20V.pdf http://kc.umn.ac.id/5238/2/BAB%20IV.pdf http://kc.umn.ac.id/5238/3/BAB%20VI.pdf http://kc.umn.ac.id/5238/4/BAB%20I.pdf http://kc.umn.ac.id/5238/5/BAB%20II.pdf http://kc.umn.ac.id/5238/6/BAB%20III.pdf http://kc.umn.ac.id/5238/7/HALAMAN%20AWAL.pdf http://kc.umn.ac.id/5238/8/DAFTAR%20PUSTAKA.pdf http://kc.umn.ac.id/5238/9/LAMPIRAN.pdf http://kc.umn.ac.id/5238/ |
Daftar Isi:
- Sentimen analisis ataupun opinion mining merupakan ranah studi yang menganalisa opini, sentimen, evaluasi, sikap, dan emosi penggunanya dalam bentuk teks tertulis (Liu B. , 2012). Selain diimplementasikan dalam ranah bisnis, sentimen analisis juga kerap kali diperbincangkan dalam ranah penelitian (Vinodhini, 2012). Penelitian sebelumnya terkait klasifikasi sentimen tweets dengan menggunakan Naïve Bayes (Tunggawan, 2016). Namun demikian, Naïve Bayes merupakan metode yang mengasumsikan setiap kata yang muncul secara independen (Ginosar, 2012) dan lebih tepat diimplementasikan pada datasets dengan variasi data yang minim (Pang, 2002). Sementara itu, hubungan antar tweets cenderung bersifat dependen dan memiliki variasi data yang luas dengan jumlah yang banyak (Jiang, 2011). Untuk itu, diperlukan eksplorasi lebih lanjut atas pernyataan penelitian sebelumnya (Jiang, 2011). Salah satu upaya eksplorasi yang dapat dilakukan yakni dengan merancang model yang mengasumsikan data secara independen, yakni Naïve Bayes dan dependen yakni dengan Long Short Term Memory (LSTM). Perancangan model sentimen analisis kali ini menggunakan studi kasus pada brand Indomie. Kedua model dilatih dan dites dengan menggunakan datasets yang serupa, dan hasil klasifikasi kedua model tersebut dibandingkan. Berdasarkan hasil eksperimen yang telah dilakukan, model Long Short Term Memory (LSTM) berhasil mengungguli kinerja Naïve Bayes. LSTM berhasil meraih akurasi sebesar: 77.92%, sementara Naïve Bayes hanya mencapai: 66.31%. Unggulnya model LSTM dalam menganalisa sentimen tweets menandakan bahwa kata-kata di dalam tweets bersifat dependen dan sangat mempengaruhi makna suatu tweets.