ANALISIS SENTIMENT REVIEW HOTEL DENGAN A

ANALISIS SENTIMENT REVIEW HOTEL DENGAN ALGORITMA
SUPPORT VECTOR MACHINES DAN NAÏVE BAYES

AHMAD JAI
P31.2014.01622

Proposal Tesis Research Metodologi Penelitian
Program Megister Ilmu Komputer

PASCASARJANA TEKNOLOGI INFORMASI
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2016

BAB I
PENDAHULUAN
1.1 Latar Belakang
Hotel adalah bangunan yang dikelola secara komersil dan memberikan fasilitas
penginapan untuk masyarakat umum. Ada banyak sekali fasilitas yang disediakan untuk
memanjakan tamu, salah satunya adalah penyediaan akomodasi antar jemput atau
pelayanan makanan dan minuman, pelayanan barang bawaan, pakain cucian serta

penggunaan fasilitas penggunaan perabot dan hiasan-hiasan yang ada didalamnya. Namun
tidak semua hotel memiliki kualitas yang baik sesuai dengan apa yang diperoleh tamu.
Sebelum konsumen memutuskan untuk memilih, sebaiknya konsumen mengetahui detail
fasilitas apa saja yang ditawarkan atau kualitas yang diberikan.
Hal ini dapat dipelajari dari testimoni dan opini atau hasil review dari konsumen
yang pernah mempunyai pengalaman pada hotel tersebut sebelumnya. Beberapa review
tentang hotel dapat membantu konsumen dalam mengetahui kualitas hotel service layak
atau tidak untuk dipilih. Saat ini konsumen yang menulis opini dan pengalaman secara
online semakin meningkat. Membaca review tersebut secara keseluruhan dapat memakan
waktu yang sangat lama, namun jika hanya sedikit review yang dibaca dievaluasi akan
menjadi bias. Klarifikasi sentiment bertujuan untuk mengatasi masalah ini dengan secara
otomatis mengelompokkan review pengguna menjadi opini positif atau negatif [14].
Untuk itu perlunya pengkajian ulang tentang review hotel dengan cara klasifikasi review
kedalam class positif dan negatif agar pada akhirnya konsumen dapat mengetahui
tanggapan konsumen lain tentang hotel tersebut secara cepat dan tepat.
Analisa sentiment atau opinion mining adalah studi komputasi mengenai pendapat,
perilaku dan emosi seseorang terhadap entitas. Entitas tersebut dapat menggambarkan
individu, kejadian atau topik, dan topic tersebut kemungkinan besar dapat berupa review
[9]. Teknik klasifikasi yang biasa digunakan untuk analisis sentiment review diantaranya
Naïve bayes, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN) [3].

Terdapat beberapa penelitian yang sudah dilakukan dalam melakukan klasifikasi
sentimen terhadap review yang tersedia secara online diantaranya, analisa sentimen pada
review pengguna ponsel [13]. Analisa sentimen pada opini review film menggunakan
pengklasifikasi Support Vector Machine dan Particle Swarm Optimization [1]. Klasifikasi
sentimen pada review online tempat tujuan perjalanan menggunakan pengklasifikasi
Naïve Bayes, Support Vector Machine dan Character Based N-gram Model [12]. Analisa

sentimen pada review film dan beberapa produk dari Amazon.com menggunakan
pengklasifikasi Support Vector Machine dan Artificial Neural Network [10].
Pengklasifikasian sentimen pada review restoran di internet yang ditulis dalam Bahasa
Canton menggunakan pengklasifikasi Naïve Bayes dan Support Vector Machine [14].
Analisa sentimen pada sosial media Republik Ceko menggunakan Supervised Machine
Learning [4]. Dari beberapa teknik tersebut yang paling sering digunakan untuk
klasifikasi data adalah Support Vector Machine (SVM).
SVM merupakan metode supervised learning yang menganalisa data dan mengenali
pola-pola yang digunakan untuk klasifikasi [1]. Support Vector Machine (SVM) adalah
kasus khusus dari keluarga algoritma yang disebut sebagai regularized metode klasifikasi
linier dan metode yang kuat untuk meminimalisasi resiko [11]. SVM memiliki kelebihan
yaitu mampu mengidentifikasi hyperplane terpisah yang memaksimalkan margin antara
dua kelas yang berbeda [2]. Namun Support Vector Machine memiliki kekurangan

terhadap masalah pemilihan parameter atau fitur yang sesuai [1]. Pemilihan fitur
sekaligus penyetingan parameter di SVM secara signifikan mempengaruhi hasil akurasi
klasifikasi [15].
Dalam masalah aplikasi tertentu, tidak semua fitur ini sama pentingnya. Kinerja
yang lebih baik dapat dicapai dengan membuang beberapa fitur. Dengan demikian, dapat
dihilangkannya data yang noise, data yang tidak relevan dan berlebihan [15]. Particle
Swarm Optimization (PSO) banyak digunakan untuk memecahkan masalah optimasi serta
sebagai masalah seleksi fitur [8]. Dalam teknik Particle Swarm Optimization (PSO)
terdapat beberapa cara untuk melakukan pengoptimasian diantaranya meningkatkan bobot
atribut (attribute weight) terhadap semua atribut atau variabel yang dipakai, menyeleksi
atribut (attribute selection) dan feature selection.
Particle Swarm Optimization (PSO) adalah suatu teknik optimasi yang sangat
sederhana untuk menerapkan dan memodifikasi beberapa parameter [1]. Pada penelitian
ini algoritma Support Vector Machine dan algoritma Particle Swarm Optimization sebagai
metode pemilihan fitur akan diterapkan oleh penulis untuk mengklasifikasikan teks pada
review hotel dalam rangka meningkatkan akurasi analisa sentimen.

1.2 Rumusan Masalah
Ada beberapa pokok masalah yang akan dikaji dalam penelitian ini, antara lain :
1. Algoritma pemilihan fitur apa yang performanya terbaik untuk menyelesaikan

2.

masalah banyaknya atribut yang digunakan pada sebuah dataset?
Algoritma meta learning apa yang performanya terbaik untuk menyelesaikan

3.

masalah data noise dalam klasifikasi teks?
Bagaimana pengaruh penggabungan algoritma pemilihan fitur dan metode meta
learning terbaik pada peningkatan akurasi klasifikasi teks?

1.3 Tujuan Penelitian
Adapun tujuan penelitian dalam penelitian ini adalah untuk mengindentifikasi fitur
apa yang memiliki performa terbaik apabila digunakan untuk menyelesaikan masalah
banyaknya atribut yang digunakan pada sebuah dataset klasifikasi teks, selain itu
mengindentifikasi algoritma meta learning apa yang memiliki performa terbaikapabila
digunakan untuk menyelesaikan data noise dalam klasifikasi teks. Dan yang terakhir
adalah untuk mengembangkan algoritma pemilihan fitur dan meta learning terbaik untuk
meningkatkan akurasi klasifikasi teks.
1.4 Manfaat Penelitian

Manfaat dari penelitian ini antara lain adalah :
1. Bagi peneliti
Mengintegrasikan algoritma meta learning dengan algoritma selection feature
sebagai metode untuk mendapatkan akurasi terbaik dalam klasifikasi teks.
2. Bagi pengguna
Konsumen dapat lebih mudah memilih kategori hotel yang pelayanannya
memuaskan, dan manfaat bagi pengembang adalah agar lebih meningkatkan
pelayanan atau kebutuhan yang paling sesuai dengan harapan konsumen.
1.5 Ruang Lingkup Penelitian
1.6 Keaslian Penelitian

BAB II
LITERATUR REVIEW
2.1 Review Hotel
Salah satu wadah untuk berpendapat mengenai review hotel dan memiliki
kredibilitas yang tinggi dimuat dalam bentuk website adalah tripadvisor.com. Dalam
situs ini ada banyak sekali ulasan-ulasan hotel yang dapat diklasifikasikan menjadi tiga
kategori, yaitu positif, negative dan netral. Sebagai contoh berikut adalah contoh review
hotel di tripadvisor.com:

Gambar 1 Review hotel tripadvisor.com
Setelah dianalisis melalui pengumpulan teks maka didapatkan secission rule pada
klasifikasi review hotel sebagai berikut :

Blew & out

Negative

Return

Negative

Stalls

Negative

Fuses & Blew

Negative

Gambar 2 Decission Rule Pada Klasifikasi Review Hotel
di tripadvisor.com
OTHERWISE
Positive
2.2 Analisa Sentimen (Sentiment Analysis)
Menurut Tang dalam [5], analisa sentimen pada review adalah proses menyelidiki
review hotel di internet untuk menentukan opini atau perasaan terhadap suatu produk
secara keseluruhan. Menurut Thelwall [5], analisa sentimen diperlakukan sebagai suatu
tugas klasifikasi yang mengklasifikasikan orientasi suatu teks ke dalam positif atau
negatif. Menurut Mejova dalam [1], tujuan dari analisa sentimen adalah untuk

menentukan perilaku atau opini dari seorang penulis dengan memperhatikan suatu topik
tertentu. Perilaku bisa mengindikasikan alasan, opini atau penilaian, kondisi
kecenderungan (bagaimana si penulis ingin mempengaruhi pembaca). Langkah-langkah
yang umumnya ditemukan pada klasifikasi teks analisa sentimen diantaranya [10]:
1. Definisikan Domain Dataset
Pengumpulan dataset yang melingkupi suatu domain, misalnya dataset review film,
dataset review hotel dan lain sebagainya.
2. Pre-processing
Tahap pemrosesan awal yang umumnya dilakukan dengan proses Tokenization,

Generate N-Gram dan Stemming.
3. Transformation
Proses representasi angka yang dihitung dari data tekstual. Binary representation yang
umumnya digunakan dan hanya menghitung kehadiran atau ketidakhadiran sebuah
kata di dalam dokumen. Berapa kali sebuah kata muncul di dalam suatu dokumen
juga digunakan sebagai skema pembobotan dari data tekstual. Proses yang umumnya
digunakan yaitu TF-IDF, Binary transformation dan Frequency transformation.
4. Feature Selection
Pemilihan fitur (feature selection) bisa membuat pengklasifikasi lebih efisien/efektif
dengan mengurangi jumlah data untuk dianalisa dengan mengidentifikasi fitur yang
relevan yang selanjutnya akan diproses. Metode pemilihan fitur yang biasanya
digunakan adalah Expert.
5. Classification Proses
Klasifikasi umumnya menggunakan pengklasifikasi seperti Naïve Bayes, Support
Vector Machine, dan lain sebagainya.
6. Interpretation/Evaluation
Tahap evaluasi biasanya menghitung akurasi, recall,

2.3 Pemilihan Fitur (Feature Selection)
Pemilihan Fitur (Feature Selection) Seleksi fitur adalah salah satu faktor yang paling

penting yang dapat mempengaruhi tingkat akurasi klasifikasi karena jika dataset
berisi sejumlah fitur, dimensi ruang akan menjadi besar, merendahkan tingkat akurasi
klasifikasi [8]. Seleksi fitur mempengaruhi beberapa aspek yaitu pola klasifikasi, akurasi
klasifikasi, waktu yang diperlukan untuk pembelajaran fungsi klasifikasi, jumlah contoh
yang dibutuhkan untuk pembelajaran dan biaya yang terkait dengan fitur menurut Yang
dan Honavar dalam [15].
Seleksi fitur merupakan proses optimasi untuk mengurangi satu set besar fitur besar
sumber asli agar subset fitur yang relatif kecil yang signifikan untuk meningkatkan
akurasi klasifikasi cepat dan efektif. Particle Swarm Optimization (PSO) banyak
digunakan untuk memecahkan masalah optimasi serta sebagai masalah seleksi fitur [8].
Optimasi adalah proses menyesuaikan kepada masukan atau karakteristik perangkat,
proses matematis, atau percobaan untuk menemukan output minimum atau maksimum
hasil. Input terdiri dari variabel, proses atau fungsi dikenal sebagai fungsi biaya, fungsi
tujuan atau kemampuan fungsi dan output adalah biaya atau tujuan, jika proses adalah
sebuah percobaan, kemudian variabel adalah masukan fisik untuk percobaan [6].
Dalam teknik Particle Swarm Optimization (PSO) terdapat beberapa cara untuk
melakukan pengoptimasian diantaranya meningkatkan bobot atribut (attribute weight)
terhadap semua atribut atau variabel yang dipakai, menseleksi atribut (attribute selection)
dan feature selection. Particle Swarm Optimization (PSO) adalah suatu teknik optimasi
yang sangat sederhana untuk menerapkan dan memodifikasi beberapa parameter.

2.4 Algoritma Support Vector Machine (SVM)
Support Vector Machines (SVM) adalah seperangkat metode yang terkait untuk
suatu metode pembelajaran, untuk kedua masalah klasifikasi dan regresi. Dengan
berorientasi pada tugas, kuat, sifat komputasi yang mudah dikerjakan, SVM telah
mencapai sukses besar dan dianggap sebagai state of- the art classifier saat ini [7].
SVM merupakan metode supervised learning yang menganalisa data dan mengenali
pola-pola yang digunakan untuk klasifikasi [1]. SVM memiliki kelebihan yaitu mampu
mengidentifikasi hyperplane terpisah yang memaksimalkan margin antara dua kelas yang
berbeda [2]. Namun Support Vector Machine memiliki kekurangan terhadap masalah
pemilihan parameter atau fitur yang sesuai [1]. Pemilihan fitur sekaligus penyetingan
parameter di SVM secara signifikan mempengaruh hasil akurasi klasifikasi [15].
2.5 Penelitian Terkait

Berikut adalah beberapa penelitian yang menggunakan algoritma Support Vector
Machine sebagai pengklasifikasian dalam klasifikasi teks sentimen pada review online
yang digunakan peneliti sebagai perbandingan tinjauan studi terdahulu, sebagai berikut:
Table 1 Studi Penelitian
Judul
Opinion
Movie

Mining
Review

Hybrid

Of
Using

Method

Of

Support Vector Machine
and

Particle

Optimation
Optimizing

Pre
Processing

Feature
Selection

Filter Data
Data
Cleansing
Extract to text

Case
Normalization
Tekenization
Stemming
Generate N-Gram
Particle
Swarm

file

Swarm

Support

Vector

Support

competitive

building

Machine (SVM)

using fast messy genetic

template

filter

algoritm

dispute

probabilistic all

Alghorithm

classifcation
Sentiment classification

initialization
Comerted all
Characters to

N-Grams

for

machine

of online reviews travel
destination

by

supervised

machine

learning approaches
Model yang diusulkan

76,20%

Optimization (PSO)
Threshold selection

support

Accuracy

Machine (SVM)

Initialize

of

parameters

Classifier

blocks

Vector

89,30%

genetic

Support

Vector

73,97%

Machine (SVM)

lowers

Tekenization
Generate
NGrams
Stemming

Particle

Swarm

Optization (PSO)

Support
Machine

Vector

?

DAFTAR PUSTAKA
[1]

Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. (2013). Opinion Mining of
Movie Review using Hybrid Method of Support Vector Machine and Particle Swarm
Optimization. Procedia Engineering, 53, 453–462. doi:10.1016/j.proeng.2013.02.059.

[2]

Chou, J.-S., Cheng, M.-Y., Wu, Y.-W., & Pham, A.-D. (2014). Optimizing parameters
of support vector machine using fast messy genetic algorithm for dispute
classification. Expert Systems with Applications, 41(8), 3955–3964.
doi:10.1016/j.eswa.2013.12.035.

[3]

Dehkharghani, R., Mercan, H., Javeed, A., & Saygin, Y. (2014). Sentimental causal
rule discovery from Twitter. Expert Systems with Applications, 41(10), 4950–4958.
doi:10.1016/j.eswa.2014.02.024.

[4]

Habernal, I., Ptáček, T., & Steinberger, J. (2014). Supervised sentiment analysis in
Czech social media. Information Processing & Management, 50(5), 693–707.
doi:10.1016/j.ipm.2014.05.001

[5]

Haddi, E., Liu, X., & Shi, Y. (2013). The Role of Text Pre- processing in Sentiment
Analysis. Procedia Computer Science, 17, 26–32. doi:10.1016/j.procs.2013.05.005

[7]

Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms. Untied States Of
America: A John Wiley & Sons Inc Publication.

[8]

[7] Huang, K., Yang, H., King, I., & Lyu, M. (2008). Machine Learning Modeling
Data Locally And Globally. Berlin Heidelberg: Zhejiang University Press, Hangzhou
And Springer-Verlag Gmbh.

[9]

Liu, Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S. (2011). An Improved
Particle Swarm Optimization for Feature Selection. Journal of Bionic Engineering,
8(2), 191– 200. doi:10.1016/S1672-6529(11)60020-6.

[10]

Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and
applications:
A
survey.
Ain
Shams
Engineering
Journal.
doi:10.1016/j.asej.2014.04.011.

[11]

Weiss, S. M., Indurkhya, Nitin & Zhang, Tong. (2010). Fundamentals of Predictive
Text Mining. London: Springer- Verlag.

[12]

Ye, Q., Zhang, Z., & Law, R. (2009). Sentiment classification of online reviews to
travel destinations by supervised machine learning approaches. Expert Systems with
Applications, 36(3), 6527–6535. doi:10.1016/j.eswa.2008.07.035.

[13]

Zhang, L., Hua, K., Wang, H., Qian, G., & Zhang, L. (2014). Sentiment Analysis on
Reviews of Mobile Users. Procedia Computer Science, 34, 458–465.
doi:10.1016/j.procs.2014.07.013

[14]

Zhang, Z., Ye, Q., Zhang, Z., & Li, Y. (2011). Sentiment classification of Internet
restaurant reviews written in Cantonese. Expert Systems with Applications, 38(6),
7674– 7682. doi:10.1016/j.eswa.2010.12.147.