Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM) Dan K-Nearest Neighbor (K-NN)

SENTIMENT ANALYSIS

PADA TEKS BAHASA INDONESIA

MENGGUNAKAN

SUPPORT VECTOR MACHINE

(SVM)

DAN

K-NEAREST NEIGHBOR

(K-NN)

TESIS

SYAHFITRI KARTIKA LIDYA

127038007

PROGRAM STUDI MAGISTER (S-2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

SENTIMENT ANALYSIS

PADA TEKS BAHASA INDONESIA

MENGGUNAKAN

SUPPORT VECTOR MACHINE

(SVM)

DAN

K-NEAREST NEIGHBOR

(K-NN)

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh ijazah

Magister (S-2) Teknik Informatika

Syahfitri Kartika Lidya

127038007

PROGRAM STUDI MAGISTER (S-2) TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

PERSETUJUAN

Judul Tesis : SENTIMENT ANALYSIS PADA TEKS BAHASA

INDONESIA MENGGUNAKAN SUPPORT

VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBOR (K-NN)

Kategori : TESIS

Nama Mahasiswa : SYAHFITRI KARTIKA LIDYA

Nomor Induk Mahasiswa : 127038007

Program Studi : MAGISTER (S-2) TEKNIK INFORMATIKA

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

(FASILKOM-TI) UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2, Pembimbing 1,

Dr. Syahril Efendi, S.Si M.IT Prof. Dr. Opim Salim Sitompul, M.Sc NIP. 19671110 199602 1 001 NIP. 19610817 198701 1 001

Diketahui/Disetujui Oleh,

Program Studi Magister (S-2) Teknik Informatika, Ketua,

Prof. Dr. Muhammad Zarlis NIP. 19570701 198601 1 003

PERNYATAAN

SENTIMENT ANALYSIS

PADA TEKS BAHASA INDONESIA

MENGGUNAKAN

SUPPORT VECTOR MACHINE

(SVM)

DAN

K-NEAREST NEIGHBOR

(K-NN)

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 21 Agustus 2014

Syahfitri Kartika Lidya 127038007

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, Saya yang bertanda tangan di bawah ini :

Nama : Syahfitri Kartika Lidya

NIM : 127038007

Program Studi : Magister (S-2) Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas Tesis Saya yang berjudul.

SENTIMENT ANALYSIS PADA TEKS BAHASA INDONESIA

MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

DAN K-NEAREST NEIGHBOR (K-NN)

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, menformat, mengelola, dalam bentuk database, merawat, dan mempublikasikan Tesis Saya tanpa meminta izin dari Saya selama tetap mencantumkan nama Saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta.

Demikian Pernyataan ini dibuat dengan sebenarnya.

Medan, 21 Agustus 2014

Syahfitri Kartika Lidya 127038007

Telah diuji pada

Tanggal : 21 Agustus 2014

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Opim Salim Sitompul, M.Sc Anggota : 1. Dr. Syahril Efendi, S.Si M.IT

2. Prof. Dr. Muhammad Zarlis

3. Dr. Erna Budhiarti Nababan, M.IT

RIWAYAT HIDUP

DATA PRIBADI

Nama lengkap berikut gelar : Syahfitri Kartika Lidya, S.TI Tempat dan Tanggal Lahir : Medan, 21 April 1991

Alamat Rumah : Jl. Denai, Jermal IV No. 15

Telepon / HP : 082167512054

Email : syahfitri_k_l@students.usu.ac.id

DATA PENDIDIKAN

SD : SD Negeri No.091644 Bah Lias Tamat : 2000

SMP : SMP Negeri 1 Bandar Tamat : 2006

SMA : SMA Negeri 3 Medan Tamat : 2008

Strata-1 : Teknologi Informasi USU Tamat : 2012

UCAPAN TERIMA KASIH

Puji syukur saya panjatkan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga saya dapat menyelesaikan penyusunan Tesis ini, sebagai syarat untuk memperoleh ijazah Magister Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Dalam pengerjaan Tesis ini penulis banyak sekali mendapatkan dukungan, saran, dan nasehat dari berbagai pihak.

Dalam kesempatan ini penulis mengucapkan terima kasih kepada: Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Dosen Pembimbing I, yang telah bersedia meluangkan waktu dan pikirannya dalam membimbing, memotivasi untuk menyelesaikan Tesis ini. Bapak Dr. Syahril Efendi, S.Si M.IT, selaku Dosen Pembimbing II, yang telah bersedia meluangkan waktu dan pikirannya dalam menyelesaikan Tesis ini, Ucapan terima kasih juga ditujukan kepada Dosen Pembanding Bapak Prof. Dr. Muhammad Zarlis, Ibu Dr. Erna Budhiarti Nababan M.IT, dan Bapak Dr. Benny Benyamin Nasution Dipl. Ing., M. Eng, kemudian ucapan terima kasih untuk Ketua Program Studi Magister Teknik Informatika Bapak Prof. Dr. Muhammad Zarlis dan Sekretaris Program Studi Magister Teknik Informatika Bapak M. Andri Budiman, ST, McompSc, MEM. Serta kepada dosen-dosen Program Studi Magister Teknik Informatika dan pegawai di Program Studi Magister Teknik Informatika, khususnya kak Widya, kak Ines, kak Maya dan bang Ewin yang telah membantu kelancaran proses administrasi.

Segala hormat dan terima kasih secara khusus penulis ucapkan kepada ayahanda Yonnes Hasan dan Ibunda Nova Mustika atas motivasi, kasih sayang, dan dukungan baik

secara materi maupun do‟a yang tak pernah putus yang diberikan kepada penulis, tak lupa

kepada adik-adik tersayang Vayon Rachmat Ramadhan dan Sabilla Afiya, serta tante dan Om tersayang Julia Reveny, Imsyah Satari, Julia Maulina, Imsyahrial yang telah memberi motivasi dan nasehat serta nenek Syahiar tersayang yang selalu mendoakan. Tidak lupa kepada seluruh sahabat penulis Stambuk 2012 Kom A yang selalu berusaha menjadi sahabat terbaik khususnya kak Ananda, bg Johanes, bg bambang, kak Mawadda dan seluruh Stambuk 2012, kemudian orang terdekat yang selalu disayang, yang selalu memberi motivasi dan nasehat khususnya Karina Ayesha, Alfarisi, Karina Andi, Bowo, Ishri, Cahya, Dika, Mauza, Khalil.

Penulis berharap bahwa Tesis ini bermanfaat terutama kepada penulis maupun para pembaca. Saya menyadari bahwa Tesis ini perlu saran dan kritik yang bersifat membangun demi kesempurnaan Tesis ini sehingga dapat bermanfaat bagi kita semua. Sekali lagi saya ucapkan terima kasih atas segalanya. Semoga segala kebaikan diberikan balasan yang setimpal oleh Allah SWT.

Medan, 21 Agustus 2014

Syahfitri Kartika Lidya 127038007

ABSTRAK

Analisis Sentimen adalah proses menganalisis, memahami, dan mengklasifikasi pendapat, evaluasi, penilaian, sikap, dan emosi terhadap suatu entitas seperti produk, jasa, organisasi, individu, peristiwa, topik, secara otomatis untuk mendapatkan informasi. Penelitian ini menggunakan teks Bahasa Indonesia yang terdapat di website berupa artikel berita, kemudian metode K-Nearest Neighbor akan mengklasifikasi secara langsung pada data pembelajaran agar dapat menentukan model yang akan dibentuk oleh metode Support Vector Machine

untuk menentukan kategori dari data baru yang ingin ditentukan kategori tekstual, yaitu kelas sentimen positif, negatif dan netral. Berdasarkan seluruh hasil pengujian, bahwa pengaruh nilai k pada k-fold cross validation yang terlalu kecil menghasilkan akurasi yang rendah, sedangkan nilai k yang terlalu besar menghasilkan nilai akurasi yang besar, kemudian Pengaruh nilai k pada K-NN terhadap akurasi, jika n memiliki akurasi rendah pada saat nilai k kecil. Hal ini dikarenakan, data yang masuk pada k tetangga terdekat terlalu sedikit dan belum bisa merepresentasikan kelas pada data uji.

SENTIMENT ANALYSIS USING SUPPORT VECTOR MACHINE

(SVM) AND K-NEAREST NEIGHBOR (K-NN) ON INDONESIAN TEXT

ABSTRACT

Sentiment analysis is the process of analyzing, understanding, and classifying opinions, evaluation, assessment, attitudes, and emotions to an entity such as products, services, organizations, individuals, events, topics, automatically to obtain the information. This study uses Indonesian text contained in the website in the form of news articles, then the K-Nearest Neighbor method will classify directly to the learning data in order to determine the model that will be established by the Support Vector Machine method for determining the category of the new data to be determined categories of textual, the class of sentiment is positive, negative and neutral. Based on the test results, that influence the value of k in the k-fold cross validation is too small resulting in low accuracy, while too large values of k produce great accuracy value, then the value of k on the Influence of K-NN to accuracy, if n has an accuracy low when the value of k is small. This is because, the incoming data on the k nearest neighbor too little and can not represent a class on test data.

DAFTAR ISI

Halaman

HALAMAN JUDUL i

PERSETUJUAN ii

PERNYATAAN ORISINALITAS iii

PERSETUJUAN PUBLIKASI iv

PANITIA PENGUJI v

RIWAYAT HIDUP vi

UCAPAN TERIMA KASIH vii

ABSTRAK viii

ABSTRACT ix

DAFTAR ISI x

DAFTAR TABEL xii

DAFTAR GAMBAR xiii

BAB 1 PENDAHULUAN 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 2

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 3

BAB 2 LANDASAN TEORI 4

2.1. Text Mining 4

2.2. Sentiment Analysis 6

2.3. Support Vector Machine (SVM) 11

2.3.1. Konsep Support Vector Machine (SVM) 11

2.3.2. Klasifikasi Data Linear Separable 13

2.3.3. Klasifikasi Data Linear Non-Separable 14

2.3.4. Klasifikasi Data Non-Linear 14

2.3.5. Metode Kernel 15

2.3.6. Algoritma SVM untuk Menganalisis Dokumen Web 17

2.3.7. Karakterisitik Support Vector Machine (SVM) 18 2.3.8. Kelebihan Support Vector Machine (SVM) 19

2.3.9. Kelemahan Support Vector Machine (SVM) 19

2.4. K-Nearest Neighbor (K-NN) 20

2.4.1. Konsep K-Nearest Neighbor (K-NN) 20 2.4.2. Algoritma K-NN untuk Menganalisis Dokumen Web 23

2.4.3. Kelebihan K-Nea rest Neighbor (K-NN) 23

2.4.4. Kelemahan K-Nearest Neighbor (K-NN) 23

2.5. K-Fold Cross Validation 23

2.6. Riset Terkait 25

2.7. Perbedaan dengan Riset yang lain 26

BAB 3 METODOLOGI PENELITIAN 27

3.1. Identifikasi Masalah 27

3.2. Proses Analisis Sentimen pada Dokumen 27

3.3. Pengumpulan Data 28

3.4. Pre-Processing 29

3.4.1. Cleaning 29

3.4.2. Case Folding 30

3.5. Ekstraksi Fitur 30

3.5.1. Tokenization 30

3.5.2. Stopwords Removing 31

3.5.3. Stemming 32

3.6. Pembobotan Term 33

3.7. Pembelajaran dan Analisis 36

3.7.1. Rancangan Analisis Dokumen dengan K-NN 36 3.7.2. Rancangan Analisis Dokumen dengan SVM 41 3.8. Validasi dengan K-Fold Cross Validation 45

BAB 4 HASIL DAN PEMBAHASAN 47

4.1. Tentang Penelitian 47

4.2. Implementasi Metode K-NN dan Support Vector Machine 48

4.2.1. Persiapan Data 48

4.2.2. Proses Analisis 48

4.2.3. Antar Muka Sistem 49

4.3. Hasil dan Pembahasan Percobaan 52

4.3.1. Hasil dan Pembahasan Percobaan dengan Metode K-NN dan SVM

untuk data Berbahasa Indonesia 52

4.3.2 Pengaruh Pemilihan Nilai K pada K-NN 65

4.3.3 Akurasi K-Fold Cross Validation 66

BAB 5 KESIMPULAN DAN SARAN 69

5.1. Kesimpulan 69

5.2. Saran 70

DAFTAR PUSTAKA 71

LAMPIRAN 74

DAFTAR TABEL

Halaman

Tabel 2.1. Daftar Prefiks yang Meluluh 9

Tabel 2.2. Daftar Kemungkinan Perubahan Prefiks 9

Tabel 2.3. Daftar Kombinasi Prefiks dan Sufiks yang Tidak Diperbolehkan 10 Tabel 2.4. Rangkuman Penelitian Sentiment Analysis Sebelumnya 25

Tabel 3.1. Jumlah Frekuensi tiap Term 35

Tabel 3.2. Bobot Term 35

Tabel 3.3. Hitung Perkalian Skalar 39

Tabel 3.3. Hitung Panjang Vektor 40

Tabel 4.1. Spesifikasi Perangkat Keras 47

Tabel 4.2. Kata Positif pada Dokumen Positif 53

Tabel 4.3. Kata Negatif pada Dokumen Positif 54

Tabel 4.4. Kata Positif pada Dokumen Negatif 56

Tabel 4.5. Kata Negatif pada Dokumen Negatif 56

Tabel 4.6. Kata Positif pada Dokumen Netral 59

Tabel 4.7. Kata Negatif pada Dokumen Netral 59

Tabel 4.8. Persentase (%) Analisis Sentimen K-NN 61

Tabel 4.9. Jumlah Dokumen Hasil Analisis Sentimen K-NN 61

Tabel 4.10. Akurasi dan Waktu Proses K-NN dalam Menganalisis Sentimen 61

Tabel 4.11. Persentase (%) Analisis Sentimen SVM 62

Tabel 4.12. Jumlah Dokumen Hasil Analisis Sentimen K-NN 62

Tabel 4.13. Akurasi dan Waktu Proses SVM dalam Menganalisis Sentimen 63 Tabel 4.14. Hasil Rata-rata Semua Fold Cross Validation pada SVM dan K-NN

DAFTAR GAMBAR

Halaman

Gambar 2.1. Hyperplane (Bidang Pemisah) 14

Gambar 2.2. Transformasi dari vektor input ke feature space 15 Gambar 2.3. Suatu Kernel map mengubah problem yang tidak linier menjadi

Linier dalam space baru 16

Gambar 2.4. Ilustrasi Data dipisahkan dalam kasus XOR 18 Gambar 2.5. Delapan titik dalam satu dimensi dan estimasi densitas

K-NN dengan k=3 dan k=5 22 Gambar 2.6. K-NN mengestimasi densitas dua dimensi dengan k=5 22 Gambar 3.1. Proses Analisis Sentimen 27

Gambar 3.2. Pseudocode Cra wling 28

Gambar 3.3. Pseudocode Cleaning 29

Gambar 3.4. Pseudocode Case Folding 30

Gambar 3.5. Pseudocode Tokenization 30

Gambar 3.6. Pseudocode Stopwords Removing 31

Gambar 3.7. Pseudocode Stemming 32

Gambar 3.8. Term Documents Matrix 33

Gambar 3.9. Pseudocode Pembobotan Term 34

Gambar 3.10. Diagram Alir K-NN 37

Gambar 3.11. Pseudocode Analisis Menggunakan K-NN 38

Gambar 3.12. Diagram Alir SVM 42

Gambar 3.13. Pseudocode Analisis Menggunakan SVM 44

Gambar 3.14. Fungsi Pemisah antara Dokumen Relevan dan Tidak Relevan 45

Gambar 3.15. Pseudocode K-Fold Cross Validation 46

Gambar 4.1. Tampilan Beranda 49

Gambar 4.2. Tampilan Sub Menu “Kelola Data” 50

Gambar 4.3. Tampilan Menu “Tambah” 50

Gambar 4.4. Tampilan Sub Menu “Analisis Sentimen” 51

Gambar 4.5. Dokumen Positif 53

Gambar 4.6. Dokumen Negatif 54

Gambar 4.7. Dokumen Netral 55

Gambar 4.8. Jumlah Dokumen Positif, Negatif dan Netral Hasil Analisis

Sentimen 59

Gambar 4.9. Akurasi Rata-Rata K-NN dan SVM dalam Menganalisis Sentimen 59

Gambar 4.10. Waktu Rata-Rata K-NN dan SVM Menganalisis Sentimen 60

Gambar 4.11. Pengaruh Nilai k pada K-NN terhadap Akurasi 61

Gambar 4.12. Hasil Pengujian Konfigurasi Niilai k pada K-Fold Cross Validation

ABSTRAK

Analisis Sentimen adalah proses menganalisis, memahami, dan mengklasifikasi pendapat, evaluasi, penilaian, sikap, dan emosi terhadap suatu entitas seperti produk, jasa, organisasi, individu, peristiwa, topik, secara otomatis untuk mendapatkan informasi. Penelitian ini menggunakan teks Bahasa Indonesia yang terdapat di website berupa artikel berita, kemudian metode K-Nearest Neighbor akan mengklasifikasi secara langsung pada data pembelajaran agar dapat menentukan model yang akan dibentuk oleh metode Support Vector Machine

untuk menentukan kategori dari data baru yang ingin ditentukan kategori tekstual, yaitu kelas sentimen positif, negatif dan netral. Berdasarkan seluruh hasil pengujian, bahwa pengaruh nilai k pada k-fold cross validation yang terlalu kecil menghasilkan akurasi yang rendah, sedangkan nilai k yang terlalu besar menghasilkan nilai akurasi yang besar, kemudian Pengaruh nilai k pada K-NN terhadap akurasi, jika n memiliki akurasi rendah pada saat nilai k kecil. Hal ini dikarenakan, data yang masuk pada k tetangga terdekat terlalu sedikit dan belum bisa merepresentasikan kelas pada data uji.

SENTIMENT ANALYSIS USING SUPPORT VECTOR MACHINE

(SVM) AND K-NEAREST NEIGHBOR (K-NN) ON INDONESIAN TEXT

ABSTRACT

Sentiment analysis is the process of analyzing, understanding, and classifying opinions, evaluation, assessment, attitudes, and emotions to an entity such as products, services, organizations, individuals, events, topics, automatically to obtain the information. This study uses Indonesian text contained in the website in the form of news articles, then the K-Nearest Neighbor method will classify directly to the learning data in order to determine the model that will be established by the Support Vector Machine method for determining the category of the new data to be determined categories of textual, the class of sentiment is positive, negative and neutral. Based on the test results, that influence the value of k in the k-fold cross validation is too small resulting in low accuracy, while too large values of k produce great accuracy value, then the value of k on the Influence of K-NN to accuracy, if n has an accuracy low when the value of k is small. This is because, the incoming data on the k nearest neighbor too little and can not represent a class on test data.

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Analisis Sentimen adalah proses menganalisis, memahami pendapat, evaluasi, penilaian, sikap, dan emosi terhadap suatu entitas seperti produk, jasa, organisasi, individu, peristiwa, topik, secara otomatis untuk mendapatkan informasi (Liu, 2010). Besarnya pengaruh dan manfaat dari Sentiment Analysis, menyebabkan penelitian ataupun aplikasi mengenai

Sentiment Analysis berkembang pesat, bahkan di Amerika ada kurang lebih 20-30 perusahaan menggunakan Sentiment Analysis untuk mendapatkan informasi tentang sentimen masyarakat terhadap pelayanan perusahaan (Sumartini, 2011). Pada dasarnya Sentiment Analysis

merupakan klasifikasi, tetapi kenyataannya tidak semudah proses klasifikasi biasa karena terkait penggunaan bahasa. Terdapat ambigu dalam penggunaan kata, tidak adanya intonasi dalam sebuah teks, dan perkembangan dari bahasa itu sendiri (Bo & Lilian, 2008).

Adapun penelitian-penelitian terdahulu yang terkait dengan Sentiment Analysis, antara lain adalah penelitian (Abbasi et al, 2008) mendeteksi situs website palsu atau asli dengan klasifikasi artikel berita pada website. Penelitian (Han et al, 2013) menganalisis sentimen pada teks twitter, dengan menggunakan karakter bahasa n-gram model dan SVM untuk mengatasi variasi leksikal tinggi dalam teks Twitter. Penelitian (Vinodhini & Chandrasekaran, 2012) mengembangkan sistem yang dapat mengidentifikasi dan mengklasifikasikan sentimen masyarakat untuk memprediksi produk yang menarik dalam pemasaran.

Penelitian ini menggunakan teks Bahasa Indonesia yang terdapat di website berupa artikel berita, kemudian akan dibagi ke dalam tiga kelas, yaitu kelas sentimen positif, negatif dan netral. Pada sentiment analysis, metode K-Nearest Neighbor akan menganalisis secara langsung pada data pembelajaran agar dapat menentukan model yang akan dibentuk. Metode

Support Vector Machine kemudian digunakan untuk menentukan kategori dari data baru yang ingin ditentukan secara tekstual, yaitu kelas sentimen positif, negatif dan netral. Support Vector Machine digunakan pada penelitian ini karena memiliki teknik yang berakar pada teori pembelajaran statistik dan telah menunjukkan hasil yang baik dalam berbagai aplikasi praktis dari pengenalan digit tulisan tangan sampai kategorisasi teks dan juga bekerja sangat

baik pada data dengan banyak dimensi dan menghindari kesulitan dari permasalahan dimensionalitas (Tan & Kumar, 2006). Dipilih k-nearest neighbor karena implementasi yang sangat sederhana, baik untuk ruang pencarian karena kelas tidak harus dipisahkan linear (Li, 2006). K-NN tangguh terhadap training data yang noise dan efektif apabila training data-nya besar (Darujati, 2010).

Support Vector Machine (SVM) dan K-Nea rest Neighbor (K-NN) dapat melakukan menganalisis dengan cara belajar dari sekumpulan contoh dokumen yang telah diklasifikasi sebelumnya. Keuntungan dari metode ini adalah dapat menghemat waktu kerja dan memperoleh hasil yang lebih baik, tetapi pada Support Vector Machine untuk ekstraksi informasi dari dokumen teks tidak terstruktur karena jumlah fitur jauh lebih besar daripada jumlah sampel, metode ini memiliki performansi yang kurang baik, terhadap domain tertentu, oleh karena itu perlunya K-Nea rest Neighbor untuk meminimalkan jumlah fitur yang akan digunakan untuk analisis sehingga lebih akurat. Kemudian SVM tidak memperhatikan distribusi data, karena hanya berdasarkan kelas yang memiliki pola berbeda dan dipisahkan oleh fungsi pemisah, sehingga analisis yang dihasilkan kemungkinan salah, sehingga K-NN akan mendistribusikan data tersebut dengan berdasarkan jarak data ke beberapa data terdekat, sehingga analisis yang dihasilkan lebih akurat. Penelitian ini diharapkan dapat mempercepat upaya mendapatkan informasi yang akurat tentang sentimen pemberitaan media massa pada suatu hal.

1.2. Rumusan Masalah

Informasi terus bertambah setiap waktu dengan adanya arus informasi yang cepat, yang dibutuhkan oleh masyarakat. Diantaranya kebutuhan untuk mendapatkan informasi yang tersedia di Internet berupa informasi dalam bentuk teks. Semakin banyak informasi yang ingin diketahui, maka dibutuhkan waktu yang cukup lama untuk mendapatkan informasi tersebut, sehingga analisis sentimen sangat diperlukan, untuk mempercepat proses untuk mendapatkan informasi.

1.3. Batasan Masalah

Dalam menganalisis sentimen menggunakan algoritma Support Vector Machine (SVM) dan

1. Dataset yang digunakan adalah artikel berita berbahasa Indonesia yang didapatkan dari web menggunakan cra wler

2. Fitur yang digunakan berupa Unigram yaitu token yang terdiri dari satu kata. 3. Dataset hanya berupa teks, tidak menggunakan simbol, angka, tanda baca dan icon

emoticon, untuk menganalisis sentimen.

1.4. Tujuan Penelitian

Tujuan penelitian ini adalah untuk menganalisis sentimen pada artikel berita berbahasa Indonesia, sehingga mempercepat proses mendapatkan informasi yang diinginkan.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah diharapkan dengan adanya aplikasi dari metode Support Vector Machine (SVM) dan K-Nea rest Neighbor (K-NN) dapat berguna untuk menganalisis sentimen pada artikel berita berupa teks berbahasa Indonesia, sehingga mempercepat proses dalam hal mendapatkan informasi yang diinginkan.

BAB 2

LANDASAN TEORI

2.1. Text Mining

Text mining, pada proses mengambil informasi dari teks. Informasi biasanya diperoleh melalui peramalan pola dan kecenderungan pembelajaran pola statistik. Text mining yaitu parsing, bersama dengan penambahan beberapa fitur linguistik turunan dan penghilangan beberapa diantaranya, dan penyisipan subsequent ke dalam database, menentukan poladalam data terstruktur, dan akhirnya mengevaluasi dan menginterpretasi output, text mining

biasanya mengacu ke beberapa kombinasi relevansi, kebaruan, dan interestingness. Proses

text mining yang khas meliputi kategorisasi teks, text clustering, ekstraksi konsep/entitas, produksi taksonomi granular, sentiment analysis, penyimpulan dokumen, dan pemodelan relasi entitas yaitu, pembelajaran hubungan antara entitas (Bridge, 2011).

Pendekatan manual text mining secara intensif dalam laboratorium pertama muncul pada pertengahan 1980-an, namun kemajuan teknologi telah memungkinkan ranah tersebut untuk berkembang selama dekade terakhir. Text mining adalah bidang interdisipliner yang mengacu pada pencarian informasi, pertambangan data, pembelajaran mesin, statistik, dan komputasi linguistik. Dikarenakan kebanyakan informasi (perkiraan umum mengatakan lebih dari 80%) saat ini disimpan sebagai teks, text mining diyakini memiliki potensi nilai komersial tinggi (Bridge, 2011).

Saat ini, text mining telah mendapat perhatian dalam berbagai bidang (Sumartini, 2011):

1. Aplikasi keamanan.

Banyak paket perangkat lunak text mining dipasarkan terhadap aplikasi keamanan, khususnya analisis plaintext seperti berita Internet. Hal ini juga mencakup studi enkripsi teks.

2. Aplikasi biomedis.

Berbagai aplikasi text mining dalam literatur biomedis telah disusun. Salah satu contohnya adalah PubGene

3. Perangkat Lunak dan Aplikasi

Departemen riset dan pengembangan perusahaan besar, termasuk IBM dan Microsoft, sedang meneliti teknik text mining dan mengembangkan program untuk lebih mengotomatisasi proses pertambangan dan analisis. Perangkat lunak text mining juga sedang diteliti oleh perusahaan yang berbeda yang bekerja di bidang pencarian dan pengindeksan secara umum sebagai cara untuk meningkatkan performansinya

4. Aplikasi Media Online

Text mining sedang digunakan oleh perusahaan media besar, seperti perusahaan Tribune, untuk menghilangkan ambigu informasi dan untuk memberikan pembaca dengan pengalaman pencarian yang lebih baik, yang meningkatkan loyalitas pada site dan pendapatan. Selain itu, editor diuntungkan dengan mampu berbagi, mengasosiasi dan properti paket berita, secara signifikan meningkatkan peluang untuk menguangkan konten.

5. Aplikasi Pemasaran

Text mining juga mulai digunakan dalam pemasaran, lebih spesifik dalam analisis manajemen hubungan pelanggan yang menerapkan model analisis prediksi untuk churn

pelanggan (pengurangan pelanggan). 6. Sentiment Analysis

Sentiment Analysis mungkin melibatkan analisis dari review film untuk memperkirakan berapa baik review untuk sebuah film. Analisis semacam ini mungkin memerlukan kumpulan data berlabel atau label dari efektifitas kata-kata. Sebuah sumber daya untuk efektivitas kata-kata telah dibuat untuk WordNet.

7. Aplikasi Akademik

Masalah text mining penting bagi penerbit yang memiliki database besar untuk mendapatkan informasi yang memerlukan pengindeksan untuk pencarian. Hal ini terutama berlaku dalam ilmu sains, di mana informasi yang sangat spesifik sering terkandung dalam teks tertulis. Oleh karena itu, inisiatif telah diambil seperti Nature’s

proposal untuk Open Text Mining Interface (OTMI) dan Health’s common Journal

Publishing untuk Document Type Definition (DTD) yang akan memberikan isyarat semantik pada mesin untuk menjawab pertanyaan spesifik yang terkandung dalam teks tanpa menghilangkan barrier penerbit untuk akses publik.

Sebelumnya, website paling sering menggunakan pencarian berbasis teks, yang hanya menemukan dokumen yang berisi kata-kata atau frase spesifik yang ditentukan oleh pengguna. Sekarang, melalui penggunaan web semantik, text mining dapat menemukan konten berdasarkan makna dan konteks (Sumartini, 2011).

2.2. Sentiment Analysis

Sentiment analysis atau opinion mining mengacu pada bidang yang luas dari pengolahan bahasa alami, komputasi linguistik dan text mining. Secara umum, bertujuan untuk menentukan attitude pembicara atau penulis berkenaan dengan topik tertentu. Attitude

mungkin penilaian atau evaluasi mereka, pernyataan afektif mereka (pernyataan emosional penulis saat menulis) atau komunikasi emosional dimaksud (efek emosional penulis inginkan terhadap pembaca) (Ian et al, 2011).

Tugas dasar dalam analisis sentimen adalah mengelompokkan polaritas dari teks yang ada dalam dokumen, kalimat, atau fitur/tingkat aspek – apakah pendapat yang dikemukakan dalam dokumen, kalimat atau fitur entitas/aspek Ekspresi atau sentiment mengacu pada fokus topik tertentu, pernyataan pada satu topik mungkin akan berbeda makna dengan pernyataan yang sama pada subject yang berbeda. Sebagai contoh, adalah hal yang baik untuk

mengatakan alur film tidak terprediksi, tapi adalah hal yang tidak baik jika „tidak terprediksi‟

dinyatakan pada kemudi dari kendaraan. Bahkan pada produk tertentu, kata-kata yang sama dapat menggambarkan makna kebalikan, contoh adalah hal yang buruk untuk waktu start-up

pada kamera digital jika dinyatakan “lama”, namun jika ”lama” dinyatakan pada usia baterai

maka akan menjadi hal positif. Oleh karena itu pada beberapa penelitian, terutama pada review produk, pekerjaan didahului dengan menentukan elemen dari sebuah produk yang sedang dibicarakan sebelum memulai proses opinion mining (Ian et al, 2011).

Hal pertama dalam pemrosesan dokumen adalah memecah kumpulan karakter ke dalam kata atau token, sering disebut sebagai tokenisasi. Tokenisasi adalah hal yang kompleks untuk program komputer karena beberapa karakter dapat dapat ditemukan sebagai

token delimiters. Delimiter adalah karakter spasi, tab dan baris baru “newline”, sedangkan

karakter ( ) <> ! ? “ kadangkala dijadikan delimiter namun kadang kala bukan tergantung pada lingkungannya (Wulandini & Nugroho, 2009).

Menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data dengan tujuan untuk memperkirakan kelas yang tidak diketahui dari suatu objek, yaitu Pengklasifikasian data, yang terdapat dua proses yang dilakukan yaitu:

1. Proses training

Pada proses training digunakan training set yang telah diketahui label-labelnya untuk membangun model atau fungsi.

2. Proses testing

Untuk mengetahui keakuratan model atau fungsi yang akan dibangun pada proses

training, maka digunakan data yang disebut dengan testing set untuk memprediksi label-labelnya.

Mengklasifikasi dokumen merupakan salah satu cara untuk mengorganisasikan dokumen. Dokumen yang memiliki isi yang sama akan dikelompokkan ke dalam kategori yang sama. Dengan demikian, orang-orang yang melakukan pencarian informasi dapat dengan mudah melewatkan kategori yang tidak relevan dengan informasi yang dicari atau yang tidak menarik perhatian (Feldman, 2004).

Berikut ini adalah langkah-langkah analisis sentimen pada dokumen : 1. Crawling dan Input Data

Pada tahap ini dilakukan pembacaan terhadap korpus, korpus adalah database besar yang menyimpan text yang akan dianalisis. Korpus didapat dengan cara mengumpulkan data dengan meng-cra wling.

2. Pre-processing

Pada tahapan ini akan dilakukan, yaitu:

a. Cleaning, yaitu membersihkan dokumen dari kata yang tidak diperlukan sesuai kamus data yang telah ditentukan.Kata yang dihilangkan adalah HTML, simbol, ikon emosi, email, URL. Agar mengurangi noise saat menganalisis sentimen.

b. Case Folding, yaitu pengubahan bentuk huruf menjadi huruf kecil dan penghapusan tanda baca serta angka, sesuai dengan kamus data yang telah ditentukan.

3. Ekstraksi Fitur

Proses ekstraksi fitur bertujuan untuk meng-ekstrak kata-kata kunci dari korpus yang telah dibaca. Kata-kata kunci tersebut disebut dengan fitur atau term. Fitur inilah yang nantinya akan di proses dalam tahap analisis. Dalam proses ekstraksi fitur terdapat subproses, yaitu:

a. Tokenizationadalah proses memecah text menjadi kata tunggal. Pada penelitian ini fitur yang digunakan dalam memecah text adalah unigram yaitu token yang terdiri hanya satu kata.

b. Stopwords Removing adalah proses menghilangkan kata tidak penting dalam text. Hal ini dilakukan untuk memperbesar akurasi dari pembobotan term. Untuk proses ini, diperlukan suatu kamus kata-kata yang bisa dihilangkan. Dalam Bahasa Indonesia, misalnya kata: dan, atau, mungkin, ini, itu, dll adalah kata-kata yang dapat dihilangkan.

c. Stemming adalah proses pemetaan variansi morfologikal kata dalam kata dasar atau kata umumnya (stem). Misalnya kata "perancangan" dan "merancang" akan diubah menjadi sebuah kata yang sama, yaitu "rancang". Proses stemming sangat tergantung kepada bahasa dari kata yang akan di-stem. Hal ini dikarenakan, dalam melakukan proses stemming harus mengaplikasikan aturan morfologikal dari suatu bahasa. Algoritma Nazief & Adriani yang menyimpulkan sebuah kata dasar dapat ditambahkan imbuhan berupa derivation prefix (DP) di awal dan/atau diakhiri secara berurutan oleh derivation suffix (DS), possesive pronoun (PP), dan particle (P). Keterangan diatas dirumuskan sebagai berikut :

DP + DP + DP + root word + DS + PP + P

Adapun langkah-langkah yang digunakan oleh algoritma Nazief dan Adriani yaitu sebagai berikut: (Nazief & Adriani, 1996)

a. Kata dicari di dalam daftar kamus. Bila kata tersebut ditemukan di dalam kamus, maka dapat diasumsikan kata tersebut adalah kata dasar sehingga algoritma dihentikan.

b. Bila kata di dalam langkah pertama tidak ditemukan di dalam kamus, maka

diperiksa apakah sufiks tersebut yaitu sebuah partikel (“-lah” atau “-kah”). Bila ditemukan, maka partikel tersebut dihilangkan.

c. Pemeriksaan dilanjutkan pada kata ganti milik (“-ku”, “-mu”, “-nya”). Bila ditemukan, maka kata ganti tersebut dihilangkan.

d. Memeriksa akhiran (“-i”, “-an”). Bila ditemukan, maka akhiran tersebut dihilangkan. Hingga langkah ke-4 dibutuhkan ketelitian untuk memeriksa

apakah akhiran “-an” merupakan hanya bagian dari akhiran “-kan”, dan

“-mu”, “-nya”) yang telah dihilangkan pada langkah 2 dan 3 bukan merupakan bagian dari kata dasar.

e. Memeriksa awalan (“se-“, ”ke-“, “di-“, “te-“, “be-“, “pe-“, “me-“). Bila ditemukan, maka awalan tersebut dihilangkan. Pemeriksaan dilakukan dengan berulang mengingat adanya kemungkinan multi-prefix.Langkah ke-5 ini juga membutuhkan ketelitian untuk memeriksa kemungkinan peluluhan awalan (Tabel 2.1), perubahan prefix yang disesuaikan dengan huruf-awal kata (Tabel 2.2) dan aturan kombinasi prefix-suffix yang diperbolehkan (Tabel 2.3).

f. Setelah menyelesaikan semua langkah dengan sukses, maka algoritma akan mengembalikan kata dasar yang ditemukan.

Tabel 2.1. Daftar Prefiks yang Meluluh (Nazief & Adriani, 1996)

Jenis Prefiks Huruf Hasil Peluluhan

pe-/me- K -ng-

pe-/me- P -m-

pe-/me- S -ny-

pe-/me- T -n-

Tabel 2.2. Daftar Kemungkinan Perubahan Prefiks (Nazief & Adriani, 1996)

Prefiks Perubahan

se- tidak berubah

ke- tidak berubah

di- tidak berubah

be- ber-

te- ter-

pe- per-, pen-, pem-, peng-

Tabel 2.3. Daftar Kombinasi Prefiks dan Sufiks yang Tidak Diperbolehkan (Nazief & Adriani, 1996)

Prefix Sufiks yang tidak diperbolehkan

be- -i

di- -an

ke- -i, -kan

me- -an

se- -i, -kan

te- -an

pe- -kan

4. Pembobotan Term

Pembobotan term memberikan sebuah nilai untuk sebuah term berdasarkan tingkat kepentingan tersebut di dalam sekumpulan dokumen masukan. Pada penelitian ini akan digunakan metode TF-IDF sebagai proses pembobotan, yaitu dengan cara mencari representasi nilai dari tiap-tiap dokumen dari sekumpulan data training, dan akan dibentuk menjadi sebuah vektor. Dapat dirumuskan sebagai berikut : (D Manning et al, 2009)

w(t,d) = tf (t,d)*idf (1)

idf = log (2)

Keterangan :

tf (t,d) = kemunculan kata t pada dokumen d,

N = jumlah dokumen pada kumpulan dokumen,

df = jumlah dokumen yang mengandung term t.

5. Proses Analisis & Validasi

Pada proses ini akan dilakukan analisis dan validasi menggunakan K-NN dan SVM. Setelah dokumen dalam bentuk matriks kata-dokumen dan telah diberi pembobotan TF-IDF, maka proses selanjutnya K-NN menganalisis, yaitu setiap dokumen akan diberi tanda positif atau negatif, jika jumlah positif < jumlah negatif maka skor sentimen:

Jika, jumlah positif > jumlah negatif maka skor sentimen :

(4) Jika selain kriteria diatas, maka sentimen adalah 0 atau disebut netral. (Khushboo et al, 2012)

Hasil dokumen diatas kemudian, akan ditentukan koordinat data uji, setelah itu cari tetangga terdekat menggunakan k dan jarak Euclidean atau Cosine Similarity, kemudian urutkan tetangga berdasarkan paling dekat, dan dilakukan voting yaitu tetangga yang memiliki data yang terbanyak, apakah termasuk kelas positif, negatif, dan netral.

Kemudian pada hasil dari tahap diatas, yaitu setiap dokumen yang telah diproses tadi direpresentasikan sebagai vektor dalam ruang term, dimana k adalah ukuran dari kumpulan

term. Nilai dari antara (0,1) direpresentasikan seberapa banyak termtk berkontribusi untuk

semantik dokumen dj. Selanjutnya akan mengolah ruang term tersebut dengan menggunakan

Support Vector Machine bertujuan untuk menganalisis dokumen bagaimana tingkat akurasi apa sesuai dengan label yang telah diberi, setelah itu melakukan analisis proses K-NN tetangga berdasarkan paling dekat, dan dilakukan voting yaitu tetangga yang memiliki data yang terbanyak adalah data yang menang, apakah termasuk kelas positif, negatif, dan netral.

Setelah itu, masuk pada tahap validasi dengan melihat akurasi (ketepatan), suatu dokumen yang telah direpresentasikan sebagai vektor dalam ruang term, dimana k adalah ukuran dari kumpulan term. Nilai dari antara (0,1) direpresentasikan seberapa banyak termtk

berkontribusi untuk semantik dokumen dj, memvalidasi ruang term tersebut dengan

menggunakan K-Fold Cross Validation.

2.3. Support Vector Machine (SVM)

2.3.1. Konsep Support Vector Machine (SVM)

Support Vector Machines (SVM) adalah seperangkat metode pembelajaran terbimbing yang menganalisis data dan mengenali pola, digunakan untuk klasifikasi dan analisis regresi. Algoritma SVM asli diciptakan oleh Vladimir Vapnik dan turunan standar saat ini Soft Margin (Cortes & Vapnik, 1995). SVM standar mengambil himpunan data input, dan memprediksi, untuk setiap masukan yang diberikan, kemungkinan masukan adalah anggota dari salah satu kelas dari dua kelas yang ada, yang membuat sebuah SVM sebagai penggolong nonprobabilistik linier biner. Karena SVM adalah sebuah pengklasifikasi, kemudian diberi suatu himpunan pelatihan, masing-masing ditandai sebagai milik salah satu

dari dua kategori, suatu algoritma pelatihan SVM membangun sebuah model yang memprediksi apakah data yang baru jatuh ke dalam suatu kategori atau yang lain.

Konsep SVM mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space. Pattern yang merupakan anggota dari dua buah kelas : +1 dan -1 dan berbagi alternative garis pemisah (discrimination boundaries). Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing kelas. Pattern yang paling dekat ini disebut sebagai support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses pembelajaran pada SVM. Secara intuitif, model SVM merupakan representasi dari data sebagai titik dalam ruang, dipetakan sehingga kategori contoh terpisah dibagi oleh celah jelas yang selebar mungkin. Data baru kemudian dipetakan ke dalam ruang yang sama dan diperkirakan termasuk kategori berdasarkan sisi mana dari celah data tersebut berada.

SVM bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperlane terbaik yang memisahkan dua buah kelas pada input space. Prinsip dasar SVM adalah klasifikasikan linear. Pada SVM pemisahan yang baik dicapai oleh

hyperplane yang memiliki jarak terbesar ke titik data training terdekat dari setiap kelas (margin fungsional disebut), karena pada umumnya semakin besar margin semakin rendah error generalisasi dari pemilah. Misalkan terdapat m data training

adalah sampel data dan adalah target atau kelas dari sampel data. Misalkan juga bahwa data untuk kedua kelas terpisah maka ingin dicari fungsi pemisah (hyperplane). (Kumar & Gopal, 2009)

f x x w b (5)

dimana parameter bobot dan b adalah parameter bias

Pattern yang termasuk kelas +1 (sampel positif) dapat dirumuskan sebagai pattern yang memenuhi pertidaksamaan

0

i

x w b untuk yi 1 ₍₆₎

Pattern yang termasuk kelas -1 (sampel negatif) dapat dirumuskan sebagai pattern yang memenuhi pertidaksamaan

0

i

x w b untuk y_i 1 ₍₇₎

Masalah mencari parameter w dan b yang optimal agar diperoleh hyperplane yang optimal merupakan quadratic programming.

, 1 1 min 2 m T i w b i

Problem ini dapat dipecahkan dengan berbagi teknik komputasi, diantaranya dengan

Lagrange Multiplier.

(9)

adalah Lagrange multipliers, yang bernilai nol atau positif ( ) Dari hasil perhitungan ini diperoleh yang kebanyakan bernilai positif. Data yang berkorelasi dengan yang positif inilah yang disebut sebagai Support Vector Machine.

SVM pada prinsipnya adalah klasifikasi linear. Tetapi SVM memiliki keunggulan dalam klasifikasi untuk problem non-linier. Pada prosesnya data diproyeksikan ke ruang vektor baru, sering disebut feature space, berdimensi lebih tinggi sedemikian hingga data itu dapat terpisah secara linier. Selanjutnya, di ruang baru, SVM mencari hyperplane optimal yaitu bekerja sebagai klasifier linear.

Dapat diasumsikan bahwa kedua belah kelas dapat terpisah secara sempurna oleh

hyperplane (linear sepa rable). Akan tetapi, pada umumnya dua belah kelas pada input space

tidak dapat terpisah secara sempurna (non linear separable). Untuk mengatasi masalah ini, SVM dirumuskan ulang dengan memperkenalkan metode Margin Soft. (Cortes & Vapnik, 1995) menyarankan ide margin maksimal dimodifikasi yang memungkinkan untuk contoh

mislabeled. Jika terdapat hyperplane yang dapat memecah contoh "ya" dan "tidak", metode

Margin Soft akan memilih hyperplane yang membagi contoh-contoh sebersih mungkin. Metode ini memperkenalkan variabel slack ξi (ξi ≥ 0), yang mengukur tingkat kesalahan klasifikasi.

. ≥ 1- ξi (i = 1,2,,….,l) (10) Sedangkan objective function (8) yang dioptimasikan menjadi.

minimize 2 + C

C merupakan parameter yang mengkontrol trade-off antara margin dan error klasifikasi ξ. Semakin besar nilai C, berarti nilai akhir terhadap kesalahan menjadi semakin besar, sehingga proses training menjadi lebih ketat. Parameter C ditentukan dengan mencoba beberapa nilai dan dievaluasi efeknya terhadap akurasi yang dicapai oleh SVM.

2.3.2. Klasifikasi Data Linear Separable

Data Linear Separable merupakan data yang dapat dipisahkan secara linier. Misalkan {X1,…Xn} adalah dataset dan {+1,-1} adalah label kelas dari data Xi. Pada gambar 2.1 dapat

dengan kelasnya. Namun, bidang pemisah terbaik tidak hanya dapat memisahkan data tetapi juga memiliki margin paling besar. (Kumar & Gopal, 2009)

Gambar 2.1 Hyperlane (Kumar & Gopal, 2009)

2.3.3. Klasifikasi Data Linear Non-Separable

Pada umumnya dua buah kelas pada input space tidak dapat terpisahkan secara sempurna. Untuk mengatasi kondisi ini, SVM menggunakan teknik soft margin, dengan mengikutsertakan slack variable ξ > 0. Misalkan ξ adalah jarak antara garis pemisah (decision boundary) dengan data, maka persamaan dirumuskan menjadi:

. ≤ -1+ ξ, jika (11) . ≥ 1- ξ, jika

2.3.4. Klasifikasi Data Non-Linear

Untuk menyelesaikan problem non-linear, SVM dimodifikasi dengan memasukkan fungsi kernel. Dalam non-linear SVM, pertama-tama data dipetakan oleh fungsi Ф ( ) ke ruang vektor yang berdimensi lebih tinggi. Hyperplane yang memisahkan kedua kelas tersebut

dapat dikontruksikan. Selanjutnya bahwa fungsi Ф memetakan tiap data pada input space

tersebut ke ruang vektor baru yang berdimensi lebih tinggi (dimensi 3), sehingga kedua kelas dapat dipisahkan secara linear oleh sebuah hyperplane. Notasi matematika dari mapping ini adalah sebagai berikut :

: Ŕd _{→ Ŕ}d

d < q (12)

y

Gambar 2.2. Transformasi dari vektor input ke feature space (Tan et al, 2006)

Selanjutnya proses pembelajaran pada SVM dalam menemukan titik-titik support vector, hanya bergantung pada dot product (perkalian titik) dari data yang sudah

ditransformasikan pada ruang baru yang berdimensi lebih tinggi, yaitu Ф( ).Ф( ).

Karena umumnya transformasi Φ ini tidak diketahui, dan sangat sulit untuk difahami secara mudah, maka perhitungan dot product (perkalian titik) dapat digantikan dengan fungsi kernel K ( ) yang mendefinisikan secara implisit transformasi Φ. Hal ini disebut sebagai Kernel Trick, yang dirumuskan :

K( ) = Ф( ).Ф( )

f(Ф( )) = . Ф( )+b

= i yi K(x,xi) +b (13)

SV pada persamaan di atas dimaksudkan dengan subset dari training set yang terpilih sebagai support vector, dengan kata lain data yang berkorespondensi pada αi ≥ 0

2.3.5. Metode Kernel

Kasus klasifikasi memperlihatkan ketidaklinieran, algoritma seperti perceptron tidak bisa mengatasinya. Metoda kernel adalah salah satu untuk mengatasinya, dengan metoda kernel suatu data x di input space dimapping ke feature space F dengan dimensi yang lebih tinggi melalui map sebagai berikut : x→ (x). Karena itu data x di input space menjadi (x) di feature space. (Sumartini, 2011)

Sering kali fungsi (x) tidak tersedia atau tidak bisa dihitung. tetapi dot product

(perkalian titik) dari dua vektor dapat dihitung baik di dalam input space maupundi feature

y

x

y

space. Dengan kata lain, sementara (x) mungkin tidak diketahui, dot product (perkalian titik) < (x1), (x2)> masih bisa dihitung di feature space. Untuk bisa memakai metoda

kernel, pembatas (constraint) perlu diekspresikan dalam bentuk dot product (perkalian titik) dari vektor data xi. Sebagai konsekuensi, pembatas yang menjelaskan permasalahan dalam

klasifikasi harus diformulasikan kembali sehingga menjadi bentuk dot product (perkalian titik). Dalam feature space ini dot product (perkalian titik) < .> menjadi < (x), (x)‟>. Suatu fungsi kernel, k (x, x‟), bisa untuk menggantikan dot product (perkalian titik) < (x), (x)‟>. Kemudian di feature space, dapat membuat suatu fungsi pemisah yang linier yang mewakili fungsi nonlinear di input space. Gambar 2.3 mendeskripsikan suatu contoh feature mapping dari ruang dua dimensi ke feature space dua dimensi. Dalam input space, data tidak bisa dipisahkan secara linier, tetapi memisahkan di feature space. Karena itu dengan memetakan data ke feature space menjadikan tugas klasifikasi menjadi lebih mudah.

Gambar 2.3. Suatu kernel map mengubah problem yang tidak linier menjadi linier dalam space baru. (Karatzouglou et al, 2004)

Menurut (Karatzouglou et al, 2004) ada beberapa fungsi kernel yang sering digunakan dalam literatur SVM anatara lain sebagai berikut:

1. Kernel linear adalah kernel yang paling sederhana dari semua fungsi kernel. Kernel ini biasa digunakan dalam kasus klasifikasi teks.

xT x (14) 2. Kernel Radial Basis Gaussian adalah kernel yang umum digunakan untuk data yang

sudah valid (available) dan merupakan default dalam tools SVM.

y y

y

exp(− σ2||x – xi||2) (15) 3. Kernel Polynominal adalah kernel yang sering digunakan untuk klasifikasi gambar.

(xT xi + 1)p (16)

4. Kernel Tangent Hyperbolic (sigmoid) adalah kernel yang sering digunakan untuk

neural networks.

tan h(βxT xi + β1), dimana β, β1∈Ŕ (17)

Fungsi kernel mana yang harus digunakan untuk subtitusi dot product (perkalian titik) di feature space sangat bergantung pada data. Biasanya metode cross-validation digunakan untuk pemilihan fungsi kernel ini. Pemilihan fungsi kernel yang tepat adalah hal yang sangat penting. Karena fungsi kernel ini akan menentukan feature space di mana fungsi klasifier akan dicari. Sepanjang fungsi kernelnya legitimate, SVM akan beroperasi secara benar meskipun tidak tahu seperti apa map yang digunakan, sehingga lebih mudah menemukan fungsi kernel daripada mencari map seperti apa yang tepat untuk melakukan mapping dari

input space ke feature space. Pada penerapan metoda kernel, tidak perlu tahu map apa yang digunakan untuk satu per satu data, tetapi lebih penting mengetahui bahwa dot product

(perkalian titik) dua titik di feaure space bisa digantikan oleh fungsi kernel.

2.3.6. Algoritma SVM untuk Menganalisis Dokumen Web

Proses ekstraksi informasi (Information Extraction atau IE) adalah proses pengubahan dokumen teks tidak terstruktur dengan domain tertentu ke dalam sebuah struktur informasi yang relevan. Domain penelitian ini berbahasa Indonesia, dengan menerapkan teknik pembelajaran mesin. Pendekatan pembelajaran mesin yang digunakan adalah pendekatan statistik, dengan metode klasifikasi token. Algoritma yang digunakan adalah Support Vector Machine (SVM) dengan uneven margin, yang didesain khusus untuk imbalanced dataset.

(Cawley, 2006)

Variabel dan parameter

x = {x0, x1, x2, .., xm}: sampel training

y = {y1, .., ym}⊂{±1}: label data training

kernel : jenis fungsi kernel par : parameter kernel C : konstanta cost

α = [α1, .., αm]: Lagrange multiplier dan bias b 1. Hitung matriks kernel H

2. Tentukan pembatas untuk programa kuadratik, termasuk Aeq, beq, A dan b

Gambar 2.4. Ilustrasi data dipisahkan dalam kasus XOR. (Cawley, 2006)

3. Tentukan fungsi tujuan quadratic programming x Hx + f’x 4. Selesaikan masalah QP.

2.3.7. Karakteristik Support Vector Machine (SVM)

Karakteristik SVM sebagaimana telah dijelaskan pada bagian sebelumnya, dirangkumkan sebagai berikut (Cawley, 2006):

1. Secara prinsip SVM adalah linear classifier

2. Pattern recognition dilakukan dengan mentransformasikan data pada input space ke ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vector yang baru tersebut.

3. Menerapkan strategi Structural Risk Minimization (SRM). SVM bekerja berdasarkan prinsip SRM, Untuk menjamin generalisasi.

+

-5

f(x1,x2)=-1 f(x1,x2)=+1

f(x1,x2)=+1 _f(x

1,x2)=-1 x2

5

0

-5

x1

0 5

*

* +

4. Prinsip kerja SVM pada dasarnya hanya mampu menangani klasifikasi dua class.

2.3.8. Kelebihan Support Vector Machine (SVM)

Kelebihan dari metode Support Vector Machine ini adalah sebagai berikut (Cawley, 2006): 1. Generalisasi

Generalisasi didefinisikan sebagai kemampuan suatu metode untuk mengklasifikasikan suatu pattern, yang tidak termasuk data yang dipakai dalam fase pembelajaran metode itu.

2. Curse of dimensionality

Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu metode pattern recognition dalam mengestimasikan parameter (misalnya jumlah hidden neuron pada neural network, stopping criteria dalam proses pembelajaran dsb.) dikarenakan jumlah sampel data yang relatif sedikit dibandingkan dimensional ruang vektor data tersebut. Semakin tinggi dimensi dari ruang vektor informasi yang diolah, membawa konsekuensi dibutuhkannya jumlah data dalam proses pembelajaran (Cortes & Vapnik, 1995) membuktikan bahwa tingkat generalisasi yang diperoleh oleh SVM tidak dipengaruhi oleh dimensi dari input vector. Hal ini merupakan alasan mengapa SVM merupakan salah satu metode yang tepat dipakai untuk memecahkan masalah berdimensi tinggi, dalam keterbatasan sampel data yang ada.

3. Feasibility

SVM dapat diimplementasikan relative mudah, karena proses penentuan support vector dapat dirumuskan dalam QP problem. Dengan demikian jika memiliki libra ry

untuk menyelesaikan QP problem, dengan sendirinya SVM dapat diimplementasikan dengan mudah.

2.3.9. Kelemahan Support Vector Machine (SVM)

Kekurangan dari metode Support Vector Machine ini adalah sebagai berikut (Cawley, 2006): 1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan

dengan jumlah sample yang diolah.

2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua class. Dewasa ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan class lebih dari dua, antara lain strategi One versus rest dan strategi Tree Structure. Namun demikian, masingmasing strategi ini memiliki kelemahan, sehingga dapat dikatakan

penelitian dan pengembangan SVM pada multiclass-problem masih merupakan tema penelitian yang masih terbuka.

2.4. K-Nearest Neighbor (K-NN)

2.4.1. Konsep K-Nearest Neighbor (K-NN)

Algoritma K-Nea rest Neighbor (K-NN) adalah sebuah metode melakukan klasifikasi terhadap objek berdasarkan data pembelajaran jaraknya paling dekat dengan objek tersebut. K-NN termasuk algoritma supervised learning dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN, kemudian kelas yang paling banyak muncul yang akan menjadi kelas hasil klasifikasi.

Tujuan dari algoritma ini adalah mengklasifikasikan obyek berdasarkan atribut dan

training sample. Clasifier tidak menggunakan apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik

training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Algoritma K-Nearest Neighbor (K-NN) menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru.

Algoritma metode K-Nearest Neighbor (K-NN) sangat sederhana, bekerja berdasarkan jarak terpendek dari query insta nce ke tr a i ning sa mple

untuk menentukan K-NN. Tr a ining sa mple diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi tra ining sa mple. Sebuah titik pada ruang ini ditandai jika merupakan klasifikasi yang paling banyak ditemukan pada k buah tetangga terdekat dari titik tersebut. Metode pencarian jarak, ada dua jenis yaitu metode Cosine Similarity atau

Euclidean Distance yaitu perhitungan jarak terdekat. Perhitungan jarak terdekat dibutuhkan untuk menentukan jumlah kemiripan yang dihitung dari kemiripan kemunculan teks yang dimiliki suatu paragraf. Setelah itu kemunculan teks yang sedang diujikan dibandingkan terhadap masing-masing sample data asli. Ada dua metode untuk menghitung jarak antar tetangga yaitu metode Euclidean Distance dan Cosine Similarity yang direpresentasikan sebagai berikut : (Guo et al, 2001)

dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d dimensi.

Satuan jarak yang digunakan Euclidian, jenis dari metode ini, jika dilihat dari nilai N-nya ada dua macam yaitu (Darujati, 2010):

1. 1-NN

Pengklasifikasian dilakukan pada 1 label data terdekat, algoritmanya sebagai berikut : - Menghitung jarak antara data baru ke setiap pelabelan data

- Menentukan 1 pelabelan data yang mempunyai jarak paling minimal - Klasifikasi data baru ke dalam pelabelan data tersebut

. 2. k-NN

Pengklasifikasian dilakukan dengan menentukan nilai pada k label data terdekat, dengan syarat nilai k >1, algoritmanya sebagai berikut :

- Menghitung jarak antara data baru ke setiap pelabelan data

- Menentukan k pelabelan data yang mempunyai jarak paling minimal - Klasifikasi data baru ke dalam pelabelan data yang mayoritas.

Cosine simila rity adalah penentuan kesesuaian dokumen dengan query untuk pegukuran antara vektor dokumen (D) dengan vektor query (Q). Persamaan yang digunakan (Darujati, 2010):

sim(Q,D)=cos(Q, D) = ………...(19)

|D| =

|Q| =

Dimana Q adalah dokumen uji, D dokumen training, dan adalah nilai bobot yang telah diberikan pada setiap term pada dokumen.

Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk testing data (yang klasifikasinya tidak diketahui). Jarak dari vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut. Sebagai contoh, untuk mengestimasi p(x) dari ntraining sample dapat memusatkan pada sebuah sel disekitar x dan membiarkannya tumbuh hingga meliputi k samples. Samples tersebut adalah K-NN dari x. Jika densitasnya tinggi di dekat x, maka sel

akan berukuran relatif kecil yang berarti memiliki resolusi yang baik. Jika densitas rendah, sel akan tumbuh lebih besar, tetapi akan berhenti setelah memasuki wilayah yang memiliki densitas tinggi. Pada Gambar 2.5 dan 2.6 ditampilkan estimasi densitas satu dimensi dan dua dimensi dengan K-NN

Gambar 2.5. Delapan titik dalam satu dimensi dan estimasi densitas K-NN dengan k= 3 dan k= 5 (Darujati, 2010)

Gambar 2.6. K-NN mengestimasi densitas dua dimensi dengan k= 5 (Darujati, 2010)

Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k

yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus dimana klasifikasi diprediksikan berdasarkan training data yang paling dekat (dengan kata lain, k = 1) disebut algoritma nea rest neighbor. Ketepatan algoritma K-NN sangat dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak relevan atau jika bobot fitur tersebut tidak setara dengan relevansinya terhadap klasifikasi.

2.4.2. Algoritma K-NN untuk Menganalisis Dokumen Web

Berikut ini adalah langkah-langkah menghitung K-Nearest Neighbors pada dokumen :

1. Tentukan paremeter k sebagai jumlah tetangga terdekat, dalam sistem ini digunakan k=1, sehingga jika ada tetangga terdekat, itu yang akan digunakan sebagai nilai prediksi. 2. Hitung jarak antara data yang masuk dan semua sampel latih yang sudah ada. Pada

penelitian ini jenis jarak terdekat yang digunakan yaitu cosine similarity pada persamaan (19).

3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak terkecil. 4. Mengumpulkan kategori Y (klasifikasi nearest neighbor).

5. Dengan menggunakan kategori mayoritas, maka dapat diprediksikan nilai query instance

yang telah dihitung, kemudian tentukan jarak tetangga terdekat yang akan digunakan sebagai nilai prediksi dari data berikutnya. (Zee-Jing & Hsien-Wu, 2004)

2.4.3. Kelebihan K-Nearest Neighbor (K-NN)

Kelebihan dari metode K-Nearest Neighbor ini adalah sebagai berikut (Gorunescu, 2011): 1. Lebih efektif di data training yang besar

2. Dapat menghasilkan data yang lebih akurat

3. Metode yang baik dalam hal ruang pencarian, misalnya, kelas tidak harus linear dipisahkan.

4. Sangat cocok terhadap training data yang noise.

2.4.4. Kelemahan K-Nearest Neighbor (K-NN)

Kekurangan dari metode K-Nearest Neighbor ini adalah perlu ditentukan nilai k yang paling optimal yang menyatakan jumlah tetangga terdekat. (Gorunescu, 2011)

2.5. K-Fold Cross Validation

Pada ukuran kinerja dari model pada test set sering kali berguna karena ukuran tersebut memberikan estimasi yang tidak bias dari error generalisasinya. Akurasi dari tingkat error

yang dihitung dari test set dapat juga digunakan untuk membandingkan kinerja relatif dari

classifier-classifier pada domain yang sama. Berikut adalah metode yang digunakan untuk mengevaluasi kinerja classifier. (Ian et al, 2011)

Dalam pendekatan cross-validation, setiap record digunakan beberapa kali dalam jumlah yang sama untuk training dan tepat sekali untuk testing. Untuk mengilustrasikan metode ini, anggaplah mempartisi data ke dalam dua subset yang berukuran sama. Pertama, dipilih satu dari kedua subset tersebut untuk training dan satu lagi untuk testing. Kemudian dilakukan pertukaran fungsi dari subset sedemikian sehingga subset yang sebelumnya sebagai

training set menjadi test set demikian sebaliknya. Pendekatan ini dinamakan two-fold cross validation. Total error diperoleh dengan menjumlahkan error untuk kedua proses tersebut. Dalam contoh ini, setiap record digunakan tepat satu kali untuk training dan satu kali untuk testing. Metode k-fold cross validation mengeneralisasi pendekatan ini dengan mensegmentasi data ke dalam k partisi berukuran sama. Selama proses, salah satu dari partisi dipilih untuk testing, sedangkan sisanya digunakan untuk training. Prosedur ini diulangi k kali sedemikian sehingga setiap partisi digunakan untuk testing tepat satu kali. Total error

ditentukan dengan menjumlahkan error untuk semua k proses tersebut. Kasus khusus untuk metode k-fold cross validation menetapkan k = N, ukuran dari data set. (Auria & Moro, 2008)

Dalam k-fold cross validation, yang disebut juga dengan rotation estimation, dataset

yang utuh di pecah secara random menjadi „k‟ subset dengan size yang hampir sama dan

saling eksklusif satu sama lain. Model dalam classification‟ di-latih dan di-test sebanyak „k‟ kali. Setiap kali pelatihan semua dilatih pada semua fold kecuali hanya satu fold saja yang disisakan untuk pengujian. Penilaian cross-validation terhadap akurasi model secara keseluruhan dihitung dengan mengambil rata-rata dari semua hasil akurasi individu „k‟, seperti yang ditunjukkan dengan persaman berikut:

CVA = I (20)

Dimana CVA adalah akurasi cross-validation, k adalah jumlah fold yang digunakan, dan A adalah ukuran akurasi (misalnya, hit-rate, sensitivitas, specifity) dari masing-masing fold.

Metode ini merupakan evaluasi standard yaitu stratified 10-fold cross-validation karena menunjukkan bahwa 10-fold cross-validation adalah pilihan terbaik untuk mendapatkan hasil validasi yang akurat, 10-fold cross-validation akan mengulang pengujian sebanyak 10 kali dan hasil pengukuran adalah nilai rata-rata dari 10 kali pengujian. Keuntungan metode ini, menghindari overlapping pada data testing. Test set bersifat mutually exclusive dan secara efektif mencakup keseluruhan data set. Kekurangan dari pendekatan ini adalah banyaknya komputasi untuk mengulangi prosedur sebanyak N kali. (Gorunescu, 2011)

2.6. Riset Terkait

Beberapa riset terkait dengan penelitian ini mengenai analysis sentiment maka dapat dibuatkan rangkuman seperti ditunjukkan oleh tabel 2.4.

Tabel 2.4. Rangkuman Penelitian Sentiment Analysis Sebelumnya

No Peneliti Judul Penelitian Hasil dan Kesimpulan

1 Barber (2009)

Bayesian Opinion Mining

Dilakukan pada data review film berbahasa Inggris dan diujikan untuk 5000 record opini negatif dan 5000 record opini positif sebagai data latih dan 333 record opini negatif sebagai data uji serta menghasilkan akurasi sebesar 80%

2 Wulandini & Nugroho (2009)

Text Classification Using Support Vector Machine for

Webmining Based Spation Temporal Analysis of the Spread of Tropical Diseases

Dilakukan pada 3713 feature dan 360 instance. 360 instance sebagai data latih dan 120 instance sebagai data uji. SVM dan NBC menunjukkan hasil yang jauh lebih baik 92,5% dan 90%.

3 Jason & Ryan (2010)

Improving Multiclass Text Classification with the Support Vector Machine,

SVM menghasilkan performansi yang lebih baik dibandingkan NBC

4 Colas & Brazdil (2011)

Comparison of SVM and Some Older Classification Algorithms in Text Classification Tasks

NBC menunjukkan performansi yang paling baik melebihi SVM dan K-NN. Waktu komputasi NBC dan jauh lebih pendek daripada SVM.

2.7. Perbedaan dengan Riset yang lain

Berdasarkan riset yang telah dilakukan, peneliti membuat beberapa perbedaan dalam penelitian ini, yaitu;

1. Pada umumnya analisis sentimen berdasarkan dokumen yang berisi kata-kata atau frase spesifik yang ditentukan oleh pengguna. Tetapi pada penelitian ini, dapat menemukan konten berdasarkan konteks yang telah ditentukan.

2. Sebuah metode yang berbeda untuk menentukan sentimen adalah penggunaan sistem skala terhadap kata-kata terkait memiliki sentimen negatif, netral atau positif dengan diberi nomor pada skala -1 sampai +1 (paling negatif hingga yang paling positif) dan ketika sepotong teks terstruktur dianalisis dengan pemrosesan bahasa alami, konsep selanjutnya dianalisis untuk memahami kata-kata ini dan bagaimana berhubungan dengan konsep. Setiap konsep kemudian diberi skor berdasarkan bagaimana kata-kata sentimen berhubungan dengan konsep, dan skor yang terkait.

2.8. Kontribusi Riset

Dalam penelitian ini, diharapkan algoritma K-NN dan SVM dapat mampu menganalisis sentimen dalam dokumen dengan jumlah yang besar dapat dilakukan secara terkomputerisasi sebagai ganti dari proses manual. Hal ini terutama akan dirasakan manfaatnya untuk analisis pemberitaan media massa pada suatu hal.

BAB 3

METODOLOGI PENELITIAN

3.1. Identifikasi Masalah

Support Vector Machine (SVM) dan K-Nearest Neighbor (K-NN) dapat melakukan klasifikasi dengan cara belajar dari sekumpulan contoh dokumen yang telah diklasifikasi sebelumnya. Namun, Pada Support Vector Machine untuk ekstraksi informasi dari dokumen teks tidak terstruktur karena jumlah fitur jauh lebih besar daripada jumlah sampel, metode ini memiliki performansi yang kurang baik, terhadap domain tertentu, oleh karena itu perlunya

K-Nearest Neighbor untuk meminimalkan jumlah fitur yang akan digunakan untuk pengklasifikasian sehingga lebih akurat, karena K-NN metode yang baik dalam hal ruang pencarian, kelas tidak harus dipisahkan secara linear.

3.2. Proses Analisis Sentimen pada Dokumen

Berikut ini adalah metode yang digunakan untuk proses analisis sentimen yang digunakan dalam penelitian ini.

Gambar 3.1. Proses Analisis Sentimen Pengumpulan Data

Cra wling

Pre-processing Cleaning Case Folding

Ekstraksi Fitur

Tokenization

Stopwords Removing Stemming

Pembobotan Term TF-IDF Pembelajaran &

Menganalisis K-NN SVM Validasi

K-Fold Cross Validation

3.3. Pengumpulan Data

Penelitian dilakukan untuk teks artikel berita berbahasa indonesia. Data terbagi atas opini positif, opini negatif dan opine netral. Sebagian data akan dijadikan data latih dan sebagian sebagai data uji untuk digunakan metode support vector machine dan k-nearest neighbor.

Data yang digunakan artikel berita teks berbahasa indonesia diambil dari beberapa website

berita yang terbaik di Indonesia, seperti detik.com, tribunnews.com, metrotvnews.com, kompas.com, dan website berita di Indonesia lainnya. Penelitian ini menggunakan kumpulan artikel berita yang dibentuk dalam file dokumen yang telah di cra wling menggunakan

cra wler4j yaitu open source web cra wler for java (Ganjisaffar, 2013). Data terbagi menjadi opini positif, opini negatif, dan opini netral. Pseudocode dapat dilihat pada Gambar 3.2.

Gambar 3.2. Pseudocode Cra wling (Ganjisaffar, 2013)

Sementara tidak kosong (daftar URL untuk dicari) {

Ambil URL pertama dari daftar URL if protokol URL tidak HTTP maka

break;

kembali ke awal

if file robots.txt ada di situs maka

Jika file termasuk. Disallow. statement maka break;

kembali ke awal Buka URL

if URL dibuka tidak file HTML maka break;

Kembali ke awal Iterate file HTML

Sementara teks html berisi link lain {

if file berita.txt ada di URL / situs maka

if file termasuk. Disallow. statement maka break;

kembali ke awal if URL dibuka adalah file HTML maka

if URL tidak ditandai sebagai dicari maka tandai URL ini sudah dicari.

Else if jenis file yang user diminta

Tambahkan ke daftar file yang ditemukan. }

Pada proses ini meng-cra wling informasi tentang partai x pada tiap-tiap forum informasi di internet, yaitu bagaimana respon masyarakat terhadap partai x, dan hasilnya misalkan 5 dokumen yang isinya sebagai berikut :

Dokumen 1 : <p>Usaha<b>Partai X</b> lambat dan tidak berbobot </p>

Dokumen 2 : <p><b>Partai X</b> itu memiliki anggota partai yang lulusan sarjana karena semua memiliki kebijakan yang bagus untuk bangsa </p>

Dokumen 3 : <p>Anggota partai X banyak yang korupsi, saya sangat kecewa</p> Dokumen 4 : <p>Banyak anggota partai X yang masuk penjara</p>

Dokumen 5 : <p>Partai x memiliki anggota yang bersih dari korupsi sehingga saya senang dengan partai X</p>

3.4. Pre-Processing

Tahapan yang dilakukan pada dokumen pre-processsing adalah sebagai berikut :

3.4.1. Cleaning, untuk mengurangi noise saat menganalisis sentimen. Proses ini menggunakan jsoup 1.7.4-Snapshot API (Hedley, 2013) pseudocode dapat dilihat pada Gambar 3.3.

Gambar 3.3. Pseudocode Cleaning (Hedley, 2013)

sehingga isi dokumen menjadi sebagai berikut :

Dokumen 1 : Usaha Partai X lambat dan tidak berbobot

Dokumen 2 : Partai X itu memiliki anggota partai yang lulusan sarjana karena semua Memiliki kebijakan yang bagus untuk bangsa

Dokumen 3 : Anggota partai X banyak yang korupsi, saya sangat kecewa Dokumen 4 : Banyak anggota partai X yang masuk penjara

Function Main

{ public static String GetText ( String html, String selector )

{

Document document = Jsoup.parse(html);

Elements content = document.select(selector); return content.text();

} }

Dokumen 5 : Partai x memiliki anggota yang bersih dari korupsi sehingga saya senang dengan partai X

3.4.2. Case Folding, pada proses ini akan menggunakan S-Space package (Jurgens, 2009)

pseudocode dapat dilihat pada Gambar 3.4. yaitu pengubahan huruf menjadi huruf kecil dan penghapusan tanda baca serta angka.

Gambar 3.4. Pseudocode Case Folding (Jurgens, 2009)

sehingga hasilnya sebagai berikut :

Dokumen 1 : usaha partai x lambat dan tidak berbobot

Dokumen 2 : partai x itu memiliki anggota partai yang lulusan sarjana karena semua memiliki kebijakan yang bagus untuk bangsa

Dokumen 3 : anggota partai x banyak yang korupsi saya sangat kecewa Dokumen 4 : banyak anggota partai x yang masuk penjara

Dokumen 5 : partai x memiliki anggota yang bersih dari korupsi sehingga saya senang dengan partai x

3.5. Ekstraksi Fitur

Berikut adalah proses ekstraksi fitur yang akan digunakan sebagai dasar proses klasifikasi.

3.5.1. Tokenization, penelitian ini menggunakan S-Space package (Jurgens, 2009)

pseudocode dapat dilihat pada Gambar 3.5, dengan fitur yang digunakan dalam memecah text adalah unigram yaitu token yang terdiri hanya satu kata. Dalam fitur unigram, kata dalam dokumen direpresentasikan ke dalam bentuk vektor, dan tiap kata dihitung sebagai satu fitur.

function Main

listCaseFolding += listCaseFolding();

endfunction

function listCaseFolding() return caseFoldingList for each caseFolding

caseFoldingList += caseFolding; endfor

return caseFoldingList endfunction

Gambar 3.5. Pseudocode Tokenization (Jurgens, 2009)

Hasilnya sebagai berikut :

Dokumen 1 : [usaha, partai, x, lambat, dan, tidak, berbobot]

Dokumen 2 : [partai, x, itu, memiliki, anggota, partai, yang, lulusan, sarjana, karena, semua, memiliki, kebijakan, yang, bagus, untuk, bangsa]

Dokumen 3 : [anggota, partai, x, banyak, yang, korupsi, saya, sangat, kecewa] Dokumen 4 : [banyak, anggota, partai, x, yang, masuk, penjara]

Dokumen 5 : [partai, x, memiliki, anggota, yang, bersih, dari, korupsi, sehingga, saya, senang, dengan, partai, x]

3.5.2. Stopwords Removing, pada tahap ini menghilangkan kata tidak penting sesuai kamus data yang digunakan, agar memperbesar akurasi dari pembobotan term. Pseudocode

dapat dilihat pada Gambar 3.6.

function Main

for each directory in root

for each categoryDirectory in directory for each file in categoryDirectory

tokenization(file); endfor

endfor endfor

endfunction

function tokenization(file) for each word in file if isWord(word)

wordNew += word; endif

endfor

print fileOut  wordNew

endfunction

Function Main

listStopWord  listStopWord();

for each directory in root

for each categoryDirectory in directory for each file in categoryDirectory

filter(file, listStopWord); endfor

endfor endfor

import java.io.StringReader; import java.util.Iterator;

import java.util.NoSuchElementException; import java.util.regex.Matcher;

import java.util.regex.Pattern; /**

* Source : https://github.com/fozziethebeat/S-Space/blob/master/src/main/java/edu/ucla/sspace/text/WordIterator.java */

public class Tokenization implements Iterator<String> {

public static final String EMPTY_TOKEN = "";

public Tokenization ( String text ) {

this(new BufferedReader(new StringReader(text.toLowerCase()))); }

public Tokenization ( BufferedReader pBufferedReader ) {

mBufferedReader = pBufferedReader; mCurrentLine = null;

findNextWord(); }

private void findNextWord () { try {

while (true) {

if (mCurrentLine == null || !mMatcher.find()) { String line = mBufferedReader.readLine();

if (line == null) { mNext = null;

mBufferedReader.close(); return;

} } @Override

public void remove() {

throw new UnsupportedOperationException("Not supported yet."); //To change body of generated methods, choose Tools | Templates.

}

private static final Pattern notWhiteSpace = Pattern.compile("\\S+");

private final BufferedReader mBufferedReader; private Matcher mMatcher;

private String mCurrentLine; private String mNext;

}

Emotional.java

package usu.ti;

import edu.uci.ics.crawler4j.crawler.CrawlConfig; import edu.uci.ics.crawler4j.crawler.CrawlController; import edu.uci.ics.crawler4j.fetcher.PageFetcher;

import edu.uci.ics.crawler4j.robotstxt.RobotstxtConfig; import edu.uci.ics.crawler4j.robotstxt.RobotstxtServer; import java.io.IOException;

import java.util.Iterator; import java.util.logging.Level; import java.util.logging.Logger; import usu.ti.vc.MainJFrame;

public class emotional { /**

* @param args the command line arguments */

public static void main(String[] args) { /*

Nama Aplikasi: Emotional

Aplikasi ini terbagi menjadi dua bagian, yaitu: 1. Pembuatan DataSet

Langkah-langkah dalam pembuatan DataSet ini adalah dengan men-crawling sumber(website, blog, twitter, dll)

lalu setiap dataset ini akan di kelompokkan berdasarkan sentiment positif atau negatif.

Proses pengelompokan ini dilakukan secara semi-otomatis, dimana pertama akan dikelompokkan oleh aplikasi

dengan menggunakan Sentiment Based Text Analysis setelah itu akan divalidasi kembali oleh user/manusia.

Selanjutnya DataSet ini akan digunakan dalam proses penghitungan Sentiment Based Document yang akan menggunakan

K-NN dan SVM.

2. Penghitungan Sentiment terhadap dokumen berdasarkan keyword yang dimasukkan. Penghitungan sentiment ini menggunakan

K-NN dan SVM. Hasil dari SVM akan divalidasi menggunakan Cross-Fold Validation.

*/

/* Set the Nimbus look and feel */

//<editor-fold defaultstate="collapsed" desc=" Look and feel setting code (optional) ">

/* If Nimbus (introduced in Java SE 6) is not available, stay with the default look and feel.

* For details see

http://download.oracle.com/javase/tutorial/uiswing/lookandfeel/plaf.html */

try {

//for (javax.swing.UIManager.LookAndFeelInfo info : javax.swing.UIManager.getInstalledLookAndFeels()) {

// if ("Nimbus".equals(info.getName())) { //

javax.swing.UIManager.setLookAndFeel(info.getClassName()); // break;

// } //}

// Custom layout

javax.swing.UIManager.setLookAndFeel(

javax.swing.UIManager.getSystemLookAndFeelClassName()); } catch (ClassNotFoundException ex) {

java.util.logging.Logger.getLogger(emotional.class.getName()).log(java.util .logging.Level.SEVERE, null, ex);

} catch (InstantiationException ex) {

java.util.logging.Logger.getLogger(emotional.class.getName()).log(java.util .logging.Level.SEVERE, null, ex);

} catch (IllegalAccessException ex) {

java.util.logging.Logger.getLogger(emotional.class.getName()).log(java.util .logging.Level.SEVERE, null, ex);

} catch (javax.swing.UnsupportedLookAndFeelException ex) {

java.util.logging.Logger.getLogger(emotional.class.getName()).log(java.util .logging.Level.SEVERE, null, ex);

}

//</editor-fold>

/* Create and display the form */

java.awt.EventQueue.invokeLater(new Runnable() { @Override

public void run() {

new MainJFrame().setVisible(true); }

});

//Test(); //try { /*

* Crawling Data

Tahapan untuk proses crawling data adalah:

1. Atur konfigurasi akan sumber website yang mau di crawling 2. Proses crawling dijalankan secara manual

*/

//mCrawlerMachine = new CrawlerMachine();

//ArrayList<String> dCollectionURL = mCrawlerMachine.getCollectionURL();

//for ( int i = 0; i < dCollectionURL.size(); i++ ) {

// System.out.println("URL: " + dCollectionURL.get(i).toString());

//mCrawlerMachine.Start(); //Sentiment sentiment; //try {

//sentiment = new Sentiment("assets/POSITIVE_WORDS.txt", "assets/NEGATIVE_WORDS.txt");

//double result = sentiment.getScore("aktif benar diskon anarki alasan");

//} catch (IOException ex) {

//Logger.getLogger(emotional.class.getName()).log(Level.SEVERE, null, ex);

//} /*

* Hitung Sentiment

1. Siapkan Matriks untuk proses K-NN dan SVM 2. Proses menggunakan K-NN

3. Proses menggunakan SVM */

//Sentiment sentiment = new Sentiment("assets/KATA POSITIF.txt", "assets/KATA NEGATIF.txt");

//StartCrawling();

//} catch (IOException ex) {

// Logger.getLogger(emotional.class.getName()).log(Level.SEVERE, null, ex);

//} }

private static void Test () {

String test = "tribunnews.com, jakarta - relawan jokowi-jk yang tergabung dalam pusat informasi relawan terus melakukan gerakan blusukan ke sejumlah daerah di jakarta. hal ini dikatakan oleh koordinator pusat informasi rerlawan, panel barus,\\\" sabtu (21/6/2014). dikatakan, blusukan yang akan dilakukan adalah untuk menangkal setiap fitnah yang semakin meingkat terhadap pasangan jokowi-jk. “secara langsung kami akan memberikan kabar kepada masyarakat, termasuk relawan yang berada di posko-posko terkait penyataan pak wiranto soal update terbaru soal pelanggaran ham dan penculikan. agar masyarakat tahu persoalan tersebut dengan jernih,” ujarnya. mantan aktivis 98 ini menambahkan, gerakan blusukan penyebaran tabloid ini juga sebagai pesan moral bahwa jokowi-jk yang dekat dengan rakyat. dengan pesan moral ini, lanjutnya, relawan jokowi-jk akan langsung menemui rakyat, menyebarkan pesan politik. sekaligus, memberikan pendidikan politik terhadap masyarakat sehingga masyarakat cerdas dalam menentukan

pilihan untuk presiden dan wakilnya “langkah ini untuk memperkuat relawan

melawan fitnah. antisipasi kecurangan dan intimidasi,”tegasnya. gerakan

blusukan ini rencananya diikuti oleh ratusan relawan. termasuk, oleh salah seorang relawan yang telah mengelilingi indonesia untuk menyebarkan pesan positif agar memilih jokowi-jk. “pak rusmin berasal dari solo berkeliling indonesia untuk mengkampanyekan pasangan jokowi-jk. ini semangat bagi kita semua, belajar dari pak rusmin tentang kesetian memilih capres-dan cawapres,belajar semangat memperjuangkan jokowi-jk ini,” ungkapnya. panel menjelaskan bahwa selain tabloid relawan ini akan memberikan ribuan pin,

kaos, stiker dan spanduk. “blusukan kedua ini kami rencananya akan berkeliling di wilayah jakarta barat dan jakarta utara,” kata panel.";

System.out.println(FeatureExtraction.getInstance().process(test)); }

}

DataSource.java

/*

* To change this license header, choose License Headers in Project Properties.

* To change this template file, choose Tools | Templates * and open the template in the editor.

*/

package usu.ti.model.data;

import com.mongodb.BasicDBObject; import com.mongodb.MongoException; import com.mongodb.WriteResult; import java.util.ArrayList; import org.bson.BasicBSONObject; import org.bson.types.ObjectId; import usu.ti.model.DBHelper;

public class DataSource {

public static final String COLLECTION_NAME = "DataSources"; public static final String ID = "_id";

public static final String TITLE = "Title"; public static final String URL = "URL";

public static final String SELECTION_ID = "SelectionID"; public static final String ENABLE = "Enable";

/* Setter and Getter */ public ObjectId getID () { return mID;

}

public void setID ( ObjectId pID ) { mID = pID;

}

public String getTitle () { return mTitle;

}

public void setTitle ( String pTitle ) { mTitle = pTitle;

}

public String getURL () { return mURL;

}

public void setURL ( String pURL ) { mURL = pURL;