4.Esther Irawati Setiawan
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
KOMPARASI ALGORITMA UNTUK ANALISA SENTIMEN REVIEW
PRODUK PADA TWITTER
Esther Irawati Setiawan
Teknik Informatika Sekolah Tinggi Teknik Surabaya
e-mail: esther@stts.edu
ABSTRAK
Opini masyarakat akan suatu produk dapat diketahui dari berbagai web jejaring sosial seperti Facebook
dan Twitter . Opini yang dijumpai pada jejaring sosial lebih detail dalam bahasa sehari-hari, tidak seperti
opini pada web produk itu sendiri. Penelitian ini melakukan komparasi tiga algoritma sentiment analysis
pada review berbagai produk dalam jejaring social Twitter. Penelitian ini juga mengembangkan sebuah
website analisa sentimen yang menyediakan beberapa ulasan produk pada Twitter yang dikelompokkan
berdasarkan sentimen positif dan sentimen negatif. Penelitian utama yang dilakukan adalah
pengelompokan tweets tentang suatu produk berdasarkan sentimennya. Klasifikasi sentimen terdiri dari
dua tahap. Tahap pertama adalah ekstraksi data tweets yang didapatkan dari Twitter Search API. Hasil
ekstraksi pada tahap ini akan dilakukan parsing untuk melakukan proses penentuan subjek dan objek pada
kalimat tersebut dan kemudian dilakukan proses feature reduction. Proses feature reduction ini digunakan
untuk mengurangi feature space. Tahap kedua adalah memproses data tweets tersebut dengan algoritma
Baseline, Naïve Bayes, dan Maximum Entropy. Hasil perhitungan dengan algoritma-algoritma tersebut
akan ditampilkan berupa pengelompokan sentimen beserta dengan laporan grafiknya. Website yang
dikembangkan juga akan memberikan saran produk yang biasanya dilihat juga oleh pengguna yang lain
sesuai produk yang dicari dengan algoritma Apriori.
Kata kunci: klasifikasi, sentiment analysis, naive bayes
ABSTRACT
Public opinion on the product can be known from va rious social networks like Facebook and Twitter.
Opinions on social network usually are detailed in everyday languages. A research about sentiment
analysis is conducted to find out reviews of a specific product. This research develops a sentiment
analysis website that provides various product reviews from Twitter, grouped by positive sentiment and
negative sentiment. The main feature in this research is to group tweets about a product by its sentiment.
Sentiment classification consists of two main stages. The first stage is the extraction of tweets obtained
from Twitter Search API. The result extracted at this stage will be parsed to make process of checking the
subject and object of the sentence and then process feature reduction. The process of reduction feature is
used to reduce the feature space. The second phase is the tweets data processing with Baseline, Naive
Bayes and Maximum Entropy algorithms. The results of the process with these algorithms will be
displayed in the form of grouping sentiment along with graph report. The website developed also
provides product suggestions that other users usually also search in corresponding to the product that the
user sought.
Keywords: classification, sentiment analysis, naïve bayes
PENDAHULUAN
Banyaknya produk-produk yang beredar di pasaran
saat ini menyebabkan pelanggan bingung mana
produk yang terbaik. Untuk mencari informasi dan
testimonial tentang produk mana yang terbaik,
biasanya pelanggan bertanya pada teman terdekat
atau keluarganya. Hal ini menyebabkan
keterbatasan untuk mendapatkan informasi lebih
lengkap. Salah satu cara untuk mendapatkan
informasi lebih lengkap yaitu dengan membaca
komentar pengguna jejaring dalam jejaring sosial.
Jejaring sosial Twitter merupakan salah satu
jejaring sosial yang terkenal dan banyak digunakan
oleh orang pada saat ini. Banyak pengguna Twitter
yang memiliki sebuah barang, dan menuliskan
Dinamika Teknologi
7
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
komentar-komentar tentang produk yang dimiliki.
Untuk melihat komentar-komentar tentang suatu
barang di Twitter, pengguna harus mencari dan
membacanya satu demi satu. Oleh karena itu,
untuk mempermudah dalam pembacaan komentarkomentar tentang suatu produk dari Twitter,
diperlukan pengelompokan tweets tentang
komentar yang baik dan yang buruk. Penelitian ini
bertujuan untuk menampilkan info tentang review
positif atau negatif suatu produk dari Twitter dan
mengelompokkannya
berdasarkan
klasifikasi
sentiment.
SENTIMENT CLASSIFICATION
Sentiment Classification adalah analisa sentimen
dari suatu teks, apakah teks itu termasuk positif
atau negatif. Analisis sentimen merupakan bagian
dari opinion mining [3]. Analisis sentimen
merupakan proses memahami, mengekstrak dan
mengolah data tekstual secara otomatis untuk
mendapatkan informasi [4]. Analisa sentimen
dilakukan untuk melihat pendapat terhadap sebuah
masalah, atau dapat juga digunakan untuk
mengidentifikasi tren di masyarakat [6]. Komentar
diklasifikasikan ke dalam dua kelas, yaitu kelas
sentimen positif dan kelas sentimen negatif.
Besarnya pengaruh dan manfaat dari analisa
sentimen, menyebabkan penelitian ataupun
aplikasi mengenai analisa sentiment berkembang
pesat, bahkan di Amerika kurang lebih 20-30
perusahaan memfokuskan pada layanan analisa
sentimen. Pada dasarnya analisa sentiment
merupakan klasifikasi, tetapi kenyataanya tidak
semudah proses klasifikasi biasa karena terkait
penggunaan bahasa. Permasalahan yang muncul
adalah adanya ambiguitas dalam penggunaan kata,
tidak adanya intonasi dalam sebuah teks, dan
perkembangan variasi bahasa itu sendiri.
SISTEM ANALISA SENTIMEN
Pada penelitian ini input yang diperlukan adalah
sebuah teks atau kata, berupa nama suatu produk
atau merek. Dari kata yang diinputkan tersebut,
sistem akan mencari tweets dari Twitter atau ke
dalam database tweets yang pernah tersimpan jika
koneksi internet tidak memungkinkan. Selain itu
input kata tersebut digunakan untuk menentukan
produk atau merek yang biasa dicari oleh
pengguna lain.
Output utama yang akan dihasilkan dari system ini
adalah penilaian dari tweets yang telah diproses.
Tweets tersebut akan dikelompokkan berdasarkan
8
Dinamika Teknologi
kelompok positif dan negatif. Jumlah total tweets,
jumlah tweets positif, dan jumlah tweets negatif
akan ditampilkan. Selain itu data yang dihasilkan
akan ditampilkan juga dalam bentuk grafik untuk
memudahkan pengguna dalam
melakukan
perbandingan. Output lainnya berupa saran produk
atau merek lain yang biasanya dicari oleh
pengguna lainnya ketika mencari suatu produk atau
merek tertentu. Pengguna juga dapat melihat
berapa banyak pengguna yang menjadi member
yang menyukai produk ini. Sistem yang akan
dibuat berupa website yang mengukur popularitas
suatu produk berdasarkan tweets yang ditulis dari
pengguna Twitter.
Tahapan feature reduction terdiri dari empat
bagian. Bagian pertama yaitu Username, bagian
kedua adalah URL, bagian ketiga adalah tagar,
bagian yang terakhir adalah repeated letters atau
huruf yang berulang.
Setelah data-data tweets diproses dalam tahapan
feature reduction, data-data tersebut diproses
menggunakan algoritma Baseline, Naive Bayes,
dan Maximum Entropy. Selain itu, terdapat juga
fitur rekomendasi yang menggunakan Algoritma
Apriori untuk menentukan saran produk.
Dalam penelitian ini, terdapat beberapa batasan
antara lain: pengelompokan komentar dalam
bahasa Inggris. Kemudian dalam data training,
komentar yang mengandung baik dan buruk dalam
sebuah tweets akan dimasukan sebagai komentar
normal. Selanjutnya, dalam data training, retweet
tidak akan diproses karena retweet hanya
memposting ulang postingan sebelumnya. Sistem
hanya bisa menganalisa tweets sebatas huruf
normal dan list emoticons yang sudah tersedia.
Dan penanganan komentar yang terpisah dalam
beberapa tweets tidak bisa karena komentar
didapatkan dari twitter tanpa memperhatikan
hubungan antar tweets.
EKSTRAKSI DATA
Proses ekstraksi data atau deserialization ini
digunakan untuk mengekstraksi data yang didapat
dari Twitter Search API. Ketika sistem
mengirimkan permintaan tweets dari sebuah
produk ke Twitter Search API, Twitter Search API
akan mengembalikan result set dalam bentuk file
JSON. JSON singkatan dari JavaScript Object
Notation (bahasa Indonesia: notasi objek
JavaScript), adalah suatu format ringkas pertukaran
data komputer.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
Admin
User
Input Produk
Input Produk
Twitter
Search API
Database
Mengumpulkan
Tweets
Memparsing
Tweets
Memproses saran
produk dengan
Algoritma Apriori
Feature
Reduction
Output berupa
saran produk
Baseline
Algoritm
menggunak
Naïve Bayes
Algoritm
menggunaka
MaxEnt
Algoritm
Output
Berdasarkan
Baseline
Output
Berdasarkan
Naïve Bayes
Output
Berdasarkan
MaxEnt
Mengumpulkan
Tweets
Output
pengelompokan
Tweets
Menyimpan hasil output
Gambar 1. Arsitektur Sistem
Formatnya berbasis teks dan terbaca manusia serta
digunakan untuk merepresentasikan struktur data
sederhana dan larik asosiatif (disebut objek).
Format
JSON
sering
digunakan
untuk
mengirimkan data terstruktur melalui suatu
koneksi jaringan dalam proses yang disebut
serialisasi. Sebagai contoh, ketika ingin mencari
tweets dengan query “iphone”, maka sistem akan
melakukan request ke Twitter Search API dengan
mengakses
url
tertentu
yaitu
“http://search.twitter.com/search.json?q=iphone
&rpp=3&lang=en”. Pengaksesan ke url tersebut
merupakan permintaan data ke Twitter Search API
dengan parameter query adalah iphone, rpp (the
number of tweets to return each page) adalah
1tweet per page, dan lang (bahasa yang diinginkan)
adalah en (bahasa inggris). Maka sistem akan
mendapatkan sebuah file Json yang berisi tweets
yang dapat dilihat pada Gambar 2. Gambar 2
menunjukkan isi dari file JSON yang akan
diekstraksi atau melalui proses diserialization.
Pada file JSON tersebut terdapat data-data berupa
waktu proses, page, query, dan result. Data result
{
"completed_in": 0.032,
"max_id": 243234064331571200,
"max_id_str": "243234064331571200",
"next_page":
"?page=2&max_id=243234064331571200&q=iphone&lang=e
n&rpp=3",
"page": 1,
"query": "iphone",
"refresh_url":
"?since_id=243234064331571200&q=iphone&lang=en",
"results": [
{
"created_at": "Wed, 05 Sep 2012 06:28:14
+0000",
"from_user": "bramruiter",
"from_user_id": 3053101,
"from_user_id_str": "3053101",
"from_user_name": "Bram Ruiter",
"geo": null,
"id": 243234064331571200,
"id_str": "243234064331571200",
"iso_language_code": "en",
"metadata": {
"result_type": "recent"
},
...
}
],
"results_per_page": 1,
"since_id": 0,
"since_id_str": "0"
}
Gambar 2. Contoh isi file JSON
berisi tweets-tweets yang didapat. Karena
permintaan atau request url hanya meminta 1
tweets, maka isi dari result hanya berisi sebuah
tweets saja. Data tweets yang didapat berupa array
Dinamika Teknologi
9
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
of result. Isi dari result adalah detail-detail dari
tweets tersebut. Mulai dari tanggal tweets tersebut
dibuat, user yang menulis, id user tersebut, nama
user, bahasa, id tweets, profile image, dan isi dari
tweets. Pemrosesan ekstraksi ini berujuan
mengambil data-data tweets yang ada.
mecari topik yang sejenis yang ditulis oleh orang
lain juga. Standart baku penggunaan tagar adalah
dengan menyertakan simbol # sebelum nama topik
tertentu (misalnya #iphone). Untuk menyamakan
semua tagar yang ada maka akan diganti dengan
token HASHTAG.
PARSING
Bagian yang terakhir adalah repeated letters atau
huruf yang berulang. Twitter berisi bahasa yang
sangat sangat kasual. Contohnya, jika dicari kata
”hungry” dengan perulangan huruf ”u” yang
berjumlah bebas di tengah (misalnya huuuungry,
huuuuuuungry, huuuuuuuuuungry) di Twitter, ada
kemungkinan besar hasil yang ditemukan tidak
ada. Oleh karena itu, setiap ada huruf yang muncul
berturut-turut lebuh dari dua kali akan diganti
dengan dua huruf saja. Dalam contoh diatas, katakata itu akan diubah menjadi ”huungry”. Selain
melakukan feature reduction, pada bagian ini
dilakukan juga perubahan pada nama produk yang
digunakan sebagai query. Nama produk tersebut
diubah menjadi QUERY_TERM dengan tujuan
query itu sendiri tidak mempengaruhi hasil
klasifikasi.
Parser merupakan salah satu komponen dalam
sebuah interpreter yang berguna untuk memeriksa
sintaks dan membangun struktur data dalam
serbuah parse tree untuk menentukan struktur
gramatikal sebuah kalimat. Parser yang dipakai
dalam penelitian ini adalah parser milik Stanford.
Stanford Parser ini dapat digunakan untuk bahasa
yang lain selain bahasa Inggris, misalkan bahasa
China, German, Arab, Italia, Bulgaria, dan
Portugal. Parser ini menyediakan Stanford
Dependencies untuk output struktur tree. Dalam
penelitian ini, parser digunakan dalam pemeriksaan
subjek dan objek suatu kalimat yang ada pada
tweets. Tujuan dilakukan parsing adalah untuk
mengurangi pemrosesan selanjutnya, jika kalimat
pada tweets yang diproses subjek dan objeknya
bukanlah sesuai yang diminta.
FEATURE REDUCTION
Setelah data-data tweets melalui proses parsing,
data-data tersebut akan melalui proses feature
reduction. Feature reduction ini bertujuan untuk
mengurangi feature space ketika memproses
tweets [1]. Feature reduction ini terdiri dari 4
bagian utama. Bagian pertama yaitu Username.
Pengguna twitter sering mengikutkan username
Twitter ketika mengirimkan tweets dengan tujuan
mengarahkan pesan mereka ke usernam yang
dituju. Standar yang baku untuk menulis username
pada suatu tweets adalah dengan menyertakan
simbol @ sebelum username (misalnya
@alecmgo). Untuk menyamakan semua username
agar mengurangi pemrosesan maka semua kata
yang diawali simbol @ akan diganti dengan token
USERNAME.
Bagian Kedua adalah URL. Pengguna twitter
sering juga menyertakan link dalam tweets mereka,
untuk menyamakan semua link maka akan diganti
dengan
token
URL
(misalanya
“http://tinyurl.com/cvvg9a" diubah menjadi URL).
Bagian ketiga adalah tagar. Pengguna user sering
menggunakan tagar agar pengguna lain dapat
10
Dinamika Teknologi
Gambar 3. Contoh Tampilan hasil ouput klasifikasi
sentiment dengan Baseline
ALGORITMA BASELINE
Algortima Baseline memanfaatkan daftar kata-kata
positif dan kata-kata negatif untuk memproses
klasifikasi sentiment [1]. Kata-kata yang akan
dianalisis dibandingkan dengan daftar yang ada
dan dihitung jumlah kata yang termasuk positif
atau negatif. Klasifikasi sentiment dilihat dari hasil
yang didapat dari perbandingan jumlah kata-kata
positif atau jumlah kata-kata negatif. Jumlah yang
terbanyak adalah hasilnya. Dalam kasus tertentu
jika jumlahnya sama maka klasifikasi yang dipilih
adalah positif. Contoh daftar kata positif antara
lain: happy, amazing. Sedangkan contoh daftar
kata negative antara lain: annoying, dropping,
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
poor. Dalam penelitian ini, digunakan sekitar 259
kata positif dan 344 kata negatif.
L1={List of Positif words}
L2={List of Negatif words}
for each tweets t in database do
for each words w in t do
increment count of positif words in L1
that contained in w
increment count of negatif words in L2
that contained in w
end
if count of negatif word > count of
positif word
return “negatif”
else return “positif”
end
Segmen Program 1. Pseudocode Algoritma Baseline
NAÏVE BAYES CLASSIFIER
Naïve Bayes Classifier merupakan algoritma yang
memanfaatkan metode probabilitas dan statistik
yang dikemukakan oleh ilmuwan Inggris Thomas
Bayes, yaitu memprediksi probabilitas di masa
depan berdasarkan pengalaman di masa
sebelumnya. Algoritma ini merupakan algorima
sederhana yang bekerja dengan baik untuk
kategorisasi teks [1].
Terdapat dua tahapan utama dalam proses
klasifikasi teks, yaitu tahap pelatihan dan tahap
klasifikasi. Pada tahap pelatihan dilakukan proses
analisis terhadap sampel dokumen berupa
pemilihan vocabulary, yaitu kata yang mungkin
muncul dalam koleksi dokumen sampel.
Selanjutnya adalah penentuan probabilitas prior
bagi tiap kategori berdasarkan sampel dokumen.
Pada tahap klasifikasi ditentukan nilai kategori dari
suatu dokumen berdasarkan term yang muncul
dalam dokumen yang diklasifikasi.
Pada penelitian ini, data training yang digunakan
sebanyak 40.000 tweets. Tweet yang digunakan
untuk data training ini telah dipilih dengan
ketentuan tertentu. Ada beberapa syarat yang
diperlukan untuk memilih tweets yang akan
digunakan untuk data training. Syarat pertama
yaitu Emoticon yang terdapat dalam teks tweets
akan dihilangkan. Syarat kedua adalah tweets yang
termasuk dalam dua kategori sekaligus yaitu positif
dan negatif akan dihilangkan. Hal ini muncul
ketika terdapat dua subjek. Retweets dihilangkan
karena retweets melakukan proses copy tweets
orang lain dan diposting ke account lain. Repeated
tweets dihapus terutama ketika Twitter API
memberikan data yang sama. Semua tweets yang
terdapat pada data training ini kemudian akan
digunakan sebagai data training.
ALGORITMA MAXIMUM ENTROPY
Algoritma Maximun Entropy ini merupakan ini
memanfaatkan weight vector untuk menentukan
klasifikasi sentimen [1]. Pada penelitian ini,
digunakan Stanford Classifier dalam pemrosesan
data-data tweets. Algoritma ini memerlukan proses
training terlebih dahulu. Training tersebut
bertujuan untuk menghitung weight dari kata-kata
pada tiap kalimat di tweets yang diproses.
Maximum Entropy menggabungkan contextual
evidence untuk memperkirakan probabilitas kelas
linguistik tertentu yang terjadi dengan konteks
linguistik. Dalam melakukan klasifikasi, dilakukan
b B dan
pengamatan
konteks
linguistik
dilakukan prediksi kelas linguistik a A dengan
conditional probability distribution p, yang mana
p(a|b) adalah probabilitas dari kelas dengan
beberapa context b, dimana p adalah:
H ( p ) p ( x) log p ( x)
x
x merupakan kombinasi dari a dan b, x=(a,b),
a A , b B , dan AxB . Setelah didapatkan
probabilitas distribution p, probabilitas tersebut
digunakan untuk menentukan evidence. Evidence
diwakilkan dengan fungsi yang diketahui sebagai
contextual predicates dan feature. Jika A={a1 …
aq} merupakan suatu set kelas yang akan
diprediksi, dan B mewakilkan suatu set context
yang akan diamati, maka fungsi contextual
predicate adalah:
cp : B {true, false}
yang akan mengembalikan true atau false
tergantung ada tidaknya informasi yang berguna
untuk beberapa context b B . Contextual
predicates digunakan di features, yang mana
fungsinya adalah f j : AxB {0,1} . Diberikan
feature sejumlah k, maka E p f j E p f j . Dimana
1 j k . E p f j adalah model expectation p dari fj
~
E f
p ( x) f ( x)
p
j
x
j
p adalah probabilitas yang diamati x dari
dimana ~
training sample S. Kemudian model p konsisen
dengan evidence yang diamati dan jika hanya
bertemu dengan contrain k. Prinsip maximum
entropy yang digunakan adalah:
Dinamika Teknologi
11
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
P { p | E p f j E p f j , j {1..k}}
p* arg max H ( p )
untuk mengurangi kesalahan website
mengelompokan tweets selanjutnya.
pP
PRODUCT SUGGESTION
Fitur product suggestion ini bertujuan untuk
memberikan saran kepada pengguna tentang
produk lain yang bisa dicari. Produk yang
disarankan berasal dari produk-produk lain yang
dicari oleh pengguna lainnya ketika mencari suatu
produk yang sama dengan yang dicari pengguna.
Untuk menentukan saran produk ini digunakan
algoritma Apriori [10]. Algoritma Apriori
termasuk jenis association rule data mining.
Analisa asosiasi atau association rule mining
adalah teknik data mining untuk menemukan
rule/aturan keterkaitan antara suku yang
merupakan kombinasi item. Dalam melakukan
proses penentuan saran produk menggunakan
algoritma Apriori, diperlukan nama-nama produk
lain yang dicari oleh pengguna lain. Setelah
mendapatkan nama-nama produk tersebut, namanama produk tersebut akan diproses dengan
algoritma apriori.
L1= {frequent items};
For (k= 1; Lk!=∅; k++) do begin
Ck+1= candidates generated from
Lk;
for each transaction t in
database do
increment the count of
all candidates in Ck+1
that are contained in t
Lk+1= candidates in Ck+1
with min_support
end
return ∪kLk;
Segmen Program 2. Pseudocode Algoritma Apriori
USER FEEDBACK
Untuk mengembangkan sistem ini diperlukan juga
bantuan dari pengguna. Pengguna dapat
memberikan saran jika ada klasifikasi sentiment
yang salah atau kurang cocok. Pemberian saran ini
akan disimpan dalam database dan nantinya akan
digunakan untuk mengembangkan hasil sistem.
Ketika pengguna memberikan masukan, pengguna
akan diberi pertanyaan termasuk di kelompok
mana tweets tersebut menurut pengguna. Masukan
tersebut akan disimpan dulu di database dan akan
diperiksa dahulu kebenarannya oleh admin di
halaman admin. Masukan pengguna ini bertujuan
12
Dinamika Teknologi
ketika
UJI COBA
Pada bagian ini akan dijabarkan mengenai uji coba
yang telah dilakukan dalam rangka menguji
kemampuan serta keakurasian algoritma yang
diimplementasikan pada penelitian ini dalam
melakukan klasifikasi sentiment dari suatu nama
produk yang diinputkan. Pada tabel 1 ditunjukkan
hasil pengujian ketika dicari nama produk
“iphone”. Hasil evaluasi output klasifikasi
sentiment dari pencarian tersebut tampak dalam
tabel berikut.
Tabel 1. Tabel Evaluasi Output Pengujian dengan
Pencarian “iphone”
Algoritma Baseline
Klasifikasi Klasifikasi
Positif
Negatif
Tweets
Positif
Tweets
Negatif
49
3
52
36
12
48
Total
Akurasi
Waktu yang diperlukan
Algoritma Naïve Bayes
Klasifikasi Klasifikasi
Positif
Negatif
Tweets
Positif
Tweets
Negatif
Total
Tweets
100
61%
1 detik
Total
Tweets
22
30
52
5
43
48
Total 100
Akurasi 65%
Waktu yang diperlukan 2 detik
Algoritma Maximum Entropy
Klasifikasi Klasifikasi Total
Positif
Negatif
Tweets
Tweets
28
24
52
Positif
Tweets
7
41
48
Negatif
Total 100
Akurasi 69%
Waktu yang diperlukan 5 detik
Dapat terlihat bahwa tidak semua tweets dapat
terklasifikasi sentimennya dengan benar. Dari 100
data twitter yang diinputkan, terdapat 52 tweets
termasuk positif dan 48 tweets termasuk negatif.
Dengan algoritma Baseline selama 1 detik
dihasilkan 85 tweets termasuk positif dan 15
tweets termasuk negatif dengan akurasi 61%.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
Dengan Naïve Bayes, selama 2 detik dihasilkan 27
termasuk positif dan 73 termasuk negatif dengan
akurasi 65%. Dengan Maximum Entropy, selama 5
detik dihasilkan 35 termasuk positif dan 65
termasuk negatif dengan akurasi 69%.
akurasi paling tinggi dalam melakukan klasifikasi
sentiment pada ujicoba pertama, kedua, dan
kelima. Dapat disimpulkan 3 dari 5 percobaan
akurasi maksimum entropy yang paling tinggi.
Selain itu, dilakukan juga uji coba dengan
kuesioner yang dilakukan untuk mengetahui
pendapat pengguna mengenai website yang
dikembangkan. Terdapat 20 orang responden yang
menjawab pertanyaan yang disediakan pada
kuesioner. Pada kuesioner terdapat 8 pertanyaan
yang diberikan kepada pengguna untuk
mengetahui apakah website yang dibuat telah
mencapai sasaran untuk menjadi sebuah website
sentiment analysis yang meyediakan review
produk untuk membantu pengguna dalam mencari
review dari produk tertentu. Pertanyaan-pertanyaan
yang terdapat pada kuesioner dapat dikelompokkan
menjadi dua bagian. Bagian pertama meliputi
performa dari aplikasi yaitu kecepatan pemrosesan,
keakuratan pengelompokan sentiment, penyajian
informasi serta interface dan fitur-fitur yang ada.
Bagian kedua berupa pertanyaan apakah responden
mau menggunakan website ini untuk keperluan
mencari review suatu produk dan apakah
responden akan menggunakan website ini bila
website ini dipublikasikan di internet.
Gambar 4. Contoh Tampilan Hasil Analisa Sentimen
Setelah dilakukan ujicoba untuk lima kasus
pencarian produk, dapat dilihat keefektifan kerja
dari masing-masing algoritma dalam melakukan
klasifikasi sentiment berbeda-beda. Pada ujicoba
pertama, kedua dan kelima algoritma Maximum
Entropy memiliki akurasi paling tinggi dalam
melakukan klasifikasi sentiment. Dalam ujicoba
ketiga dan keempat algoritma baseline yang
memiliki akurasi paling tinggi. Untuk lebih jelas
dapat dilihat pada table berikut.
Tabel 2. Tabel Evaluasi Ujicoba
Tabel 2. Pertanyaan dan Prosentase Jawaban Untuk
Bagian Pertama
Pertanyaan
Tampilan
Performa
Fitur-fitur website
Keakuratan pengelompokan
sentiment
Saran produk lain yang
diberikan
Baik
90%
50%
50%
Cukup
10%
35%
50%
Kurang
0%
15%
0%
60%
35%
5%
55%
45%
0%
Dari hasil kuesioner, dapat disimpulkan bahwa
website dikembangkan pada penelitian ini cukup
baik dan telah memenuhi tujuan dibuatnya website
maupun penelitian ini.
KESIMPULAN
Algoritma
P1
P2
P3
P4
P5
Baseline
Naïve
Bayes
Maximum
Entropy
61%
57%
78%
70%
68%
65%
76%
64%
54%
69%
69%
77%
62%
56%
75%
Dari tabel tersebut, dapat disimpulkan bahwa
algoritma Maximum Entropy menunjukan hasil
yang paling baik dari algoritma Baseline dan Naïve
bayes. Algoritma Maximum Entropy memiliki
Adapun beberapa kesimpulan yang didapatkan
antara lain:
1. Dengan Penggunaan Twitter Search API untuk
mendapatkan tweets dari Twitter sangat
membantu, tetapi banyak sekali tweets yang
diperoleh kurang cocok untuk dilakukan
klasifikasi, salah satunya karena bahasa yang
kurang baku dan benar. Diperlukan lagi
penyaringan tweets agar tweets didapatkan
tweets yang lebih baik.
Dinamika Teknologi
13
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
2. Proses analisa dari Maximum Entropy
menunjukan akurasi yang lebih baik daripada
Baseline dan Naïve Bayes. Untuk meningkatkan
kinerja dari proses klasifikasi sentiment
diperlukan training data yang lebih banyak dan
perbaikan dalam penggunaan algoritma.
3. Waktu pemrosesan merupakan masalah yang
harus diperhatikan. Untuk mengatasi hal ini
dapat dilakukan analisa terhadap review suatu
produk terlebih dahulu dan pengguna hanya
melihat hasilnya tanpa perlu menunggu proses
klasifikasi.
DAFTAR PUSTAKA
1. Apach Go, Alec, Richa Bhayani, Lei Huang.
Twitter Sentiment Classification using Distant
Supervision.
2009.
Tersedia:
http://cs.stanford.edu/people/alecmgo/papers/T
witterDistantSupervision09.pdf
2. Dang, Yan., Zhang Yulei., Hsinchun Chen. A
Lexicon Enhanced Method for Sentiment
Classification: An Experiment on Online
Product
Reviews.
2010.
Tersedia:
https://www.computer.org/csdl/mags/ex/2010/0
4/mex2010040046.pdf
3. Liu, Bing. Sentiment Analysis A Multi-Faceted
Problem, IEEE Intelligent Systems. 2010.
Tersedia:
14
Dinamika Teknologi
http://www.cs.uic.edu/~liub/FBS/IEEE-IntellSentiment-Analysis.pdf
4. Liu, Bing. Sentiment Analysis and Subjectivity,
in Handbook of Natural Language Processing.
2010.
Tersedia:
http://gnode1.mib.man.ac.uk/tutorials/NLPhandbook-sentiment-analysis.pdf
5. Pang,
Bo.,
Lillian
Lee,
Shivakumar
Vaithyanathan.
Thumbs
up?
Sentiment
Classification
using
Machine
Learning
Techniques.
Tersedia:
http://www.cs.cornell.edu/home/llee/papers/sent
iment.pdf
6. Pang, Bo dan Lilian Lee. Opinion Mining and
Sentiment Analysis, Foundations and Trends in
Information
Retrieval.
2008.
Tersedia:
http://www.cs.cornell.edu/home/llee/omsa/omsa
.pdf
7. Ratnaparkhi, Adwait. A Simple Introduction to
Maximum Entropy Models for Natural
LanguageProcessing.1997.
Tersedia:
http://repository.upenn.edu/cgi/viewcontent.cgi
?article=1083&context=ircs_reports
8. Russell, Matthew A. 21 Recipes for Mining
Twitter. O’Reilly. 2011
9. Russell, Matthew A. Mining the Social Web.
O’Reilly. 2011
10. Wasilewska,
Anita.
Apriori
Algoritm.
Tersedia:
http://www3.cs.stonybrook.edu/~cse634/lectur
e_notes/07apriori.pdf
KOMPARASI ALGORITMA UNTUK ANALISA SENTIMEN REVIEW
PRODUK PADA TWITTER
Esther Irawati Setiawan
Teknik Informatika Sekolah Tinggi Teknik Surabaya
e-mail: esther@stts.edu
ABSTRAK
Opini masyarakat akan suatu produk dapat diketahui dari berbagai web jejaring sosial seperti Facebook
dan Twitter . Opini yang dijumpai pada jejaring sosial lebih detail dalam bahasa sehari-hari, tidak seperti
opini pada web produk itu sendiri. Penelitian ini melakukan komparasi tiga algoritma sentiment analysis
pada review berbagai produk dalam jejaring social Twitter. Penelitian ini juga mengembangkan sebuah
website analisa sentimen yang menyediakan beberapa ulasan produk pada Twitter yang dikelompokkan
berdasarkan sentimen positif dan sentimen negatif. Penelitian utama yang dilakukan adalah
pengelompokan tweets tentang suatu produk berdasarkan sentimennya. Klasifikasi sentimen terdiri dari
dua tahap. Tahap pertama adalah ekstraksi data tweets yang didapatkan dari Twitter Search API. Hasil
ekstraksi pada tahap ini akan dilakukan parsing untuk melakukan proses penentuan subjek dan objek pada
kalimat tersebut dan kemudian dilakukan proses feature reduction. Proses feature reduction ini digunakan
untuk mengurangi feature space. Tahap kedua adalah memproses data tweets tersebut dengan algoritma
Baseline, Naïve Bayes, dan Maximum Entropy. Hasil perhitungan dengan algoritma-algoritma tersebut
akan ditampilkan berupa pengelompokan sentimen beserta dengan laporan grafiknya. Website yang
dikembangkan juga akan memberikan saran produk yang biasanya dilihat juga oleh pengguna yang lain
sesuai produk yang dicari dengan algoritma Apriori.
Kata kunci: klasifikasi, sentiment analysis, naive bayes
ABSTRACT
Public opinion on the product can be known from va rious social networks like Facebook and Twitter.
Opinions on social network usually are detailed in everyday languages. A research about sentiment
analysis is conducted to find out reviews of a specific product. This research develops a sentiment
analysis website that provides various product reviews from Twitter, grouped by positive sentiment and
negative sentiment. The main feature in this research is to group tweets about a product by its sentiment.
Sentiment classification consists of two main stages. The first stage is the extraction of tweets obtained
from Twitter Search API. The result extracted at this stage will be parsed to make process of checking the
subject and object of the sentence and then process feature reduction. The process of reduction feature is
used to reduce the feature space. The second phase is the tweets data processing with Baseline, Naive
Bayes and Maximum Entropy algorithms. The results of the process with these algorithms will be
displayed in the form of grouping sentiment along with graph report. The website developed also
provides product suggestions that other users usually also search in corresponding to the product that the
user sought.
Keywords: classification, sentiment analysis, naïve bayes
PENDAHULUAN
Banyaknya produk-produk yang beredar di pasaran
saat ini menyebabkan pelanggan bingung mana
produk yang terbaik. Untuk mencari informasi dan
testimonial tentang produk mana yang terbaik,
biasanya pelanggan bertanya pada teman terdekat
atau keluarganya. Hal ini menyebabkan
keterbatasan untuk mendapatkan informasi lebih
lengkap. Salah satu cara untuk mendapatkan
informasi lebih lengkap yaitu dengan membaca
komentar pengguna jejaring dalam jejaring sosial.
Jejaring sosial Twitter merupakan salah satu
jejaring sosial yang terkenal dan banyak digunakan
oleh orang pada saat ini. Banyak pengguna Twitter
yang memiliki sebuah barang, dan menuliskan
Dinamika Teknologi
7
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
komentar-komentar tentang produk yang dimiliki.
Untuk melihat komentar-komentar tentang suatu
barang di Twitter, pengguna harus mencari dan
membacanya satu demi satu. Oleh karena itu,
untuk mempermudah dalam pembacaan komentarkomentar tentang suatu produk dari Twitter,
diperlukan pengelompokan tweets tentang
komentar yang baik dan yang buruk. Penelitian ini
bertujuan untuk menampilkan info tentang review
positif atau negatif suatu produk dari Twitter dan
mengelompokkannya
berdasarkan
klasifikasi
sentiment.
SENTIMENT CLASSIFICATION
Sentiment Classification adalah analisa sentimen
dari suatu teks, apakah teks itu termasuk positif
atau negatif. Analisis sentimen merupakan bagian
dari opinion mining [3]. Analisis sentimen
merupakan proses memahami, mengekstrak dan
mengolah data tekstual secara otomatis untuk
mendapatkan informasi [4]. Analisa sentimen
dilakukan untuk melihat pendapat terhadap sebuah
masalah, atau dapat juga digunakan untuk
mengidentifikasi tren di masyarakat [6]. Komentar
diklasifikasikan ke dalam dua kelas, yaitu kelas
sentimen positif dan kelas sentimen negatif.
Besarnya pengaruh dan manfaat dari analisa
sentimen, menyebabkan penelitian ataupun
aplikasi mengenai analisa sentiment berkembang
pesat, bahkan di Amerika kurang lebih 20-30
perusahaan memfokuskan pada layanan analisa
sentimen. Pada dasarnya analisa sentiment
merupakan klasifikasi, tetapi kenyataanya tidak
semudah proses klasifikasi biasa karena terkait
penggunaan bahasa. Permasalahan yang muncul
adalah adanya ambiguitas dalam penggunaan kata,
tidak adanya intonasi dalam sebuah teks, dan
perkembangan variasi bahasa itu sendiri.
SISTEM ANALISA SENTIMEN
Pada penelitian ini input yang diperlukan adalah
sebuah teks atau kata, berupa nama suatu produk
atau merek. Dari kata yang diinputkan tersebut,
sistem akan mencari tweets dari Twitter atau ke
dalam database tweets yang pernah tersimpan jika
koneksi internet tidak memungkinkan. Selain itu
input kata tersebut digunakan untuk menentukan
produk atau merek yang biasa dicari oleh
pengguna lain.
Output utama yang akan dihasilkan dari system ini
adalah penilaian dari tweets yang telah diproses.
Tweets tersebut akan dikelompokkan berdasarkan
8
Dinamika Teknologi
kelompok positif dan negatif. Jumlah total tweets,
jumlah tweets positif, dan jumlah tweets negatif
akan ditampilkan. Selain itu data yang dihasilkan
akan ditampilkan juga dalam bentuk grafik untuk
memudahkan pengguna dalam
melakukan
perbandingan. Output lainnya berupa saran produk
atau merek lain yang biasanya dicari oleh
pengguna lainnya ketika mencari suatu produk atau
merek tertentu. Pengguna juga dapat melihat
berapa banyak pengguna yang menjadi member
yang menyukai produk ini. Sistem yang akan
dibuat berupa website yang mengukur popularitas
suatu produk berdasarkan tweets yang ditulis dari
pengguna Twitter.
Tahapan feature reduction terdiri dari empat
bagian. Bagian pertama yaitu Username, bagian
kedua adalah URL, bagian ketiga adalah tagar,
bagian yang terakhir adalah repeated letters atau
huruf yang berulang.
Setelah data-data tweets diproses dalam tahapan
feature reduction, data-data tersebut diproses
menggunakan algoritma Baseline, Naive Bayes,
dan Maximum Entropy. Selain itu, terdapat juga
fitur rekomendasi yang menggunakan Algoritma
Apriori untuk menentukan saran produk.
Dalam penelitian ini, terdapat beberapa batasan
antara lain: pengelompokan komentar dalam
bahasa Inggris. Kemudian dalam data training,
komentar yang mengandung baik dan buruk dalam
sebuah tweets akan dimasukan sebagai komentar
normal. Selanjutnya, dalam data training, retweet
tidak akan diproses karena retweet hanya
memposting ulang postingan sebelumnya. Sistem
hanya bisa menganalisa tweets sebatas huruf
normal dan list emoticons yang sudah tersedia.
Dan penanganan komentar yang terpisah dalam
beberapa tweets tidak bisa karena komentar
didapatkan dari twitter tanpa memperhatikan
hubungan antar tweets.
EKSTRAKSI DATA
Proses ekstraksi data atau deserialization ini
digunakan untuk mengekstraksi data yang didapat
dari Twitter Search API. Ketika sistem
mengirimkan permintaan tweets dari sebuah
produk ke Twitter Search API, Twitter Search API
akan mengembalikan result set dalam bentuk file
JSON. JSON singkatan dari JavaScript Object
Notation (bahasa Indonesia: notasi objek
JavaScript), adalah suatu format ringkas pertukaran
data komputer.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
Admin
User
Input Produk
Input Produk
Search API
Database
Mengumpulkan
Tweets
Memparsing
Tweets
Memproses saran
produk dengan
Algoritma Apriori
Feature
Reduction
Output berupa
saran produk
Baseline
Algoritm
menggunak
Naïve Bayes
Algoritm
menggunaka
MaxEnt
Algoritm
Output
Berdasarkan
Baseline
Output
Berdasarkan
Naïve Bayes
Output
Berdasarkan
MaxEnt
Mengumpulkan
Tweets
Output
pengelompokan
Tweets
Menyimpan hasil output
Gambar 1. Arsitektur Sistem
Formatnya berbasis teks dan terbaca manusia serta
digunakan untuk merepresentasikan struktur data
sederhana dan larik asosiatif (disebut objek).
Format
JSON
sering
digunakan
untuk
mengirimkan data terstruktur melalui suatu
koneksi jaringan dalam proses yang disebut
serialisasi. Sebagai contoh, ketika ingin mencari
tweets dengan query “iphone”, maka sistem akan
melakukan request ke Twitter Search API dengan
mengakses
url
tertentu
yaitu
“http://search.twitter.com/search.json?q=iphone
&rpp=3&lang=en”. Pengaksesan ke url tersebut
merupakan permintaan data ke Twitter Search API
dengan parameter query adalah iphone, rpp (the
number of tweets to return each page) adalah
1tweet per page, dan lang (bahasa yang diinginkan)
adalah en (bahasa inggris). Maka sistem akan
mendapatkan sebuah file Json yang berisi tweets
yang dapat dilihat pada Gambar 2. Gambar 2
menunjukkan isi dari file JSON yang akan
diekstraksi atau melalui proses diserialization.
Pada file JSON tersebut terdapat data-data berupa
waktu proses, page, query, dan result. Data result
{
"completed_in": 0.032,
"max_id": 243234064331571200,
"max_id_str": "243234064331571200",
"next_page":
"?page=2&max_id=243234064331571200&q=iphone&lang=e
n&rpp=3",
"page": 1,
"query": "iphone",
"refresh_url":
"?since_id=243234064331571200&q=iphone&lang=en",
"results": [
{
"created_at": "Wed, 05 Sep 2012 06:28:14
+0000",
"from_user": "bramruiter",
"from_user_id": 3053101,
"from_user_id_str": "3053101",
"from_user_name": "Bram Ruiter",
"geo": null,
"id": 243234064331571200,
"id_str": "243234064331571200",
"iso_language_code": "en",
"metadata": {
"result_type": "recent"
},
...
}
],
"results_per_page": 1,
"since_id": 0,
"since_id_str": "0"
}
Gambar 2. Contoh isi file JSON
berisi tweets-tweets yang didapat. Karena
permintaan atau request url hanya meminta 1
tweets, maka isi dari result hanya berisi sebuah
tweets saja. Data tweets yang didapat berupa array
Dinamika Teknologi
9
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
of result. Isi dari result adalah detail-detail dari
tweets tersebut. Mulai dari tanggal tweets tersebut
dibuat, user yang menulis, id user tersebut, nama
user, bahasa, id tweets, profile image, dan isi dari
tweets. Pemrosesan ekstraksi ini berujuan
mengambil data-data tweets yang ada.
mecari topik yang sejenis yang ditulis oleh orang
lain juga. Standart baku penggunaan tagar adalah
dengan menyertakan simbol # sebelum nama topik
tertentu (misalnya #iphone). Untuk menyamakan
semua tagar yang ada maka akan diganti dengan
token HASHTAG.
PARSING
Bagian yang terakhir adalah repeated letters atau
huruf yang berulang. Twitter berisi bahasa yang
sangat sangat kasual. Contohnya, jika dicari kata
”hungry” dengan perulangan huruf ”u” yang
berjumlah bebas di tengah (misalnya huuuungry,
huuuuuuungry, huuuuuuuuuungry) di Twitter, ada
kemungkinan besar hasil yang ditemukan tidak
ada. Oleh karena itu, setiap ada huruf yang muncul
berturut-turut lebuh dari dua kali akan diganti
dengan dua huruf saja. Dalam contoh diatas, katakata itu akan diubah menjadi ”huungry”. Selain
melakukan feature reduction, pada bagian ini
dilakukan juga perubahan pada nama produk yang
digunakan sebagai query. Nama produk tersebut
diubah menjadi QUERY_TERM dengan tujuan
query itu sendiri tidak mempengaruhi hasil
klasifikasi.
Parser merupakan salah satu komponen dalam
sebuah interpreter yang berguna untuk memeriksa
sintaks dan membangun struktur data dalam
serbuah parse tree untuk menentukan struktur
gramatikal sebuah kalimat. Parser yang dipakai
dalam penelitian ini adalah parser milik Stanford.
Stanford Parser ini dapat digunakan untuk bahasa
yang lain selain bahasa Inggris, misalkan bahasa
China, German, Arab, Italia, Bulgaria, dan
Portugal. Parser ini menyediakan Stanford
Dependencies untuk output struktur tree. Dalam
penelitian ini, parser digunakan dalam pemeriksaan
subjek dan objek suatu kalimat yang ada pada
tweets. Tujuan dilakukan parsing adalah untuk
mengurangi pemrosesan selanjutnya, jika kalimat
pada tweets yang diproses subjek dan objeknya
bukanlah sesuai yang diminta.
FEATURE REDUCTION
Setelah data-data tweets melalui proses parsing,
data-data tersebut akan melalui proses feature
reduction. Feature reduction ini bertujuan untuk
mengurangi feature space ketika memproses
tweets [1]. Feature reduction ini terdiri dari 4
bagian utama. Bagian pertama yaitu Username.
Pengguna twitter sering mengikutkan username
Twitter ketika mengirimkan tweets dengan tujuan
mengarahkan pesan mereka ke usernam yang
dituju. Standar yang baku untuk menulis username
pada suatu tweets adalah dengan menyertakan
simbol @ sebelum username (misalnya
@alecmgo). Untuk menyamakan semua username
agar mengurangi pemrosesan maka semua kata
yang diawali simbol @ akan diganti dengan token
USERNAME.
Bagian Kedua adalah URL. Pengguna twitter
sering juga menyertakan link dalam tweets mereka,
untuk menyamakan semua link maka akan diganti
dengan
token
URL
(misalanya
“http://tinyurl.com/cvvg9a" diubah menjadi URL).
Bagian ketiga adalah tagar. Pengguna user sering
menggunakan tagar agar pengguna lain dapat
10
Dinamika Teknologi
Gambar 3. Contoh Tampilan hasil ouput klasifikasi
sentiment dengan Baseline
ALGORITMA BASELINE
Algortima Baseline memanfaatkan daftar kata-kata
positif dan kata-kata negatif untuk memproses
klasifikasi sentiment [1]. Kata-kata yang akan
dianalisis dibandingkan dengan daftar yang ada
dan dihitung jumlah kata yang termasuk positif
atau negatif. Klasifikasi sentiment dilihat dari hasil
yang didapat dari perbandingan jumlah kata-kata
positif atau jumlah kata-kata negatif. Jumlah yang
terbanyak adalah hasilnya. Dalam kasus tertentu
jika jumlahnya sama maka klasifikasi yang dipilih
adalah positif. Contoh daftar kata positif antara
lain: happy, amazing. Sedangkan contoh daftar
kata negative antara lain: annoying, dropping,
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
poor. Dalam penelitian ini, digunakan sekitar 259
kata positif dan 344 kata negatif.
L1={List of Positif words}
L2={List of Negatif words}
for each tweets t in database do
for each words w in t do
increment count of positif words in L1
that contained in w
increment count of negatif words in L2
that contained in w
end
if count of negatif word > count of
positif word
return “negatif”
else return “positif”
end
Segmen Program 1. Pseudocode Algoritma Baseline
NAÏVE BAYES CLASSIFIER
Naïve Bayes Classifier merupakan algoritma yang
memanfaatkan metode probabilitas dan statistik
yang dikemukakan oleh ilmuwan Inggris Thomas
Bayes, yaitu memprediksi probabilitas di masa
depan berdasarkan pengalaman di masa
sebelumnya. Algoritma ini merupakan algorima
sederhana yang bekerja dengan baik untuk
kategorisasi teks [1].
Terdapat dua tahapan utama dalam proses
klasifikasi teks, yaitu tahap pelatihan dan tahap
klasifikasi. Pada tahap pelatihan dilakukan proses
analisis terhadap sampel dokumen berupa
pemilihan vocabulary, yaitu kata yang mungkin
muncul dalam koleksi dokumen sampel.
Selanjutnya adalah penentuan probabilitas prior
bagi tiap kategori berdasarkan sampel dokumen.
Pada tahap klasifikasi ditentukan nilai kategori dari
suatu dokumen berdasarkan term yang muncul
dalam dokumen yang diklasifikasi.
Pada penelitian ini, data training yang digunakan
sebanyak 40.000 tweets. Tweet yang digunakan
untuk data training ini telah dipilih dengan
ketentuan tertentu. Ada beberapa syarat yang
diperlukan untuk memilih tweets yang akan
digunakan untuk data training. Syarat pertama
yaitu Emoticon yang terdapat dalam teks tweets
akan dihilangkan. Syarat kedua adalah tweets yang
termasuk dalam dua kategori sekaligus yaitu positif
dan negatif akan dihilangkan. Hal ini muncul
ketika terdapat dua subjek. Retweets dihilangkan
karena retweets melakukan proses copy tweets
orang lain dan diposting ke account lain. Repeated
tweets dihapus terutama ketika Twitter API
memberikan data yang sama. Semua tweets yang
terdapat pada data training ini kemudian akan
digunakan sebagai data training.
ALGORITMA MAXIMUM ENTROPY
Algoritma Maximun Entropy ini merupakan ini
memanfaatkan weight vector untuk menentukan
klasifikasi sentimen [1]. Pada penelitian ini,
digunakan Stanford Classifier dalam pemrosesan
data-data tweets. Algoritma ini memerlukan proses
training terlebih dahulu. Training tersebut
bertujuan untuk menghitung weight dari kata-kata
pada tiap kalimat di tweets yang diproses.
Maximum Entropy menggabungkan contextual
evidence untuk memperkirakan probabilitas kelas
linguistik tertentu yang terjadi dengan konteks
linguistik. Dalam melakukan klasifikasi, dilakukan
b B dan
pengamatan
konteks
linguistik
dilakukan prediksi kelas linguistik a A dengan
conditional probability distribution p, yang mana
p(a|b) adalah probabilitas dari kelas dengan
beberapa context b, dimana p adalah:
H ( p ) p ( x) log p ( x)
x
x merupakan kombinasi dari a dan b, x=(a,b),
a A , b B , dan AxB . Setelah didapatkan
probabilitas distribution p, probabilitas tersebut
digunakan untuk menentukan evidence. Evidence
diwakilkan dengan fungsi yang diketahui sebagai
contextual predicates dan feature. Jika A={a1 …
aq} merupakan suatu set kelas yang akan
diprediksi, dan B mewakilkan suatu set context
yang akan diamati, maka fungsi contextual
predicate adalah:
cp : B {true, false}
yang akan mengembalikan true atau false
tergantung ada tidaknya informasi yang berguna
untuk beberapa context b B . Contextual
predicates digunakan di features, yang mana
fungsinya adalah f j : AxB {0,1} . Diberikan
feature sejumlah k, maka E p f j E p f j . Dimana
1 j k . E p f j adalah model expectation p dari fj
~
E f
p ( x) f ( x)
p
j
x
j
p adalah probabilitas yang diamati x dari
dimana ~
training sample S. Kemudian model p konsisen
dengan evidence yang diamati dan jika hanya
bertemu dengan contrain k. Prinsip maximum
entropy yang digunakan adalah:
Dinamika Teknologi
11
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
P { p | E p f j E p f j , j {1..k}}
p* arg max H ( p )
untuk mengurangi kesalahan website
mengelompokan tweets selanjutnya.
pP
PRODUCT SUGGESTION
Fitur product suggestion ini bertujuan untuk
memberikan saran kepada pengguna tentang
produk lain yang bisa dicari. Produk yang
disarankan berasal dari produk-produk lain yang
dicari oleh pengguna lainnya ketika mencari suatu
produk yang sama dengan yang dicari pengguna.
Untuk menentukan saran produk ini digunakan
algoritma Apriori [10]. Algoritma Apriori
termasuk jenis association rule data mining.
Analisa asosiasi atau association rule mining
adalah teknik data mining untuk menemukan
rule/aturan keterkaitan antara suku yang
merupakan kombinasi item. Dalam melakukan
proses penentuan saran produk menggunakan
algoritma Apriori, diperlukan nama-nama produk
lain yang dicari oleh pengguna lain. Setelah
mendapatkan nama-nama produk tersebut, namanama produk tersebut akan diproses dengan
algoritma apriori.
L1= {frequent items};
For (k= 1; Lk!=∅; k++) do begin
Ck+1= candidates generated from
Lk;
for each transaction t in
database do
increment the count of
all candidates in Ck+1
that are contained in t
Lk+1= candidates in Ck+1
with min_support
end
return ∪kLk;
Segmen Program 2. Pseudocode Algoritma Apriori
USER FEEDBACK
Untuk mengembangkan sistem ini diperlukan juga
bantuan dari pengguna. Pengguna dapat
memberikan saran jika ada klasifikasi sentiment
yang salah atau kurang cocok. Pemberian saran ini
akan disimpan dalam database dan nantinya akan
digunakan untuk mengembangkan hasil sistem.
Ketika pengguna memberikan masukan, pengguna
akan diberi pertanyaan termasuk di kelompok
mana tweets tersebut menurut pengguna. Masukan
tersebut akan disimpan dulu di database dan akan
diperiksa dahulu kebenarannya oleh admin di
halaman admin. Masukan pengguna ini bertujuan
12
Dinamika Teknologi
ketika
UJI COBA
Pada bagian ini akan dijabarkan mengenai uji coba
yang telah dilakukan dalam rangka menguji
kemampuan serta keakurasian algoritma yang
diimplementasikan pada penelitian ini dalam
melakukan klasifikasi sentiment dari suatu nama
produk yang diinputkan. Pada tabel 1 ditunjukkan
hasil pengujian ketika dicari nama produk
“iphone”. Hasil evaluasi output klasifikasi
sentiment dari pencarian tersebut tampak dalam
tabel berikut.
Tabel 1. Tabel Evaluasi Output Pengujian dengan
Pencarian “iphone”
Algoritma Baseline
Klasifikasi Klasifikasi
Positif
Negatif
Tweets
Positif
Tweets
Negatif
49
3
52
36
12
48
Total
Akurasi
Waktu yang diperlukan
Algoritma Naïve Bayes
Klasifikasi Klasifikasi
Positif
Negatif
Tweets
Positif
Tweets
Negatif
Total
Tweets
100
61%
1 detik
Total
Tweets
22
30
52
5
43
48
Total 100
Akurasi 65%
Waktu yang diperlukan 2 detik
Algoritma Maximum Entropy
Klasifikasi Klasifikasi Total
Positif
Negatif
Tweets
Tweets
28
24
52
Positif
Tweets
7
41
48
Negatif
Total 100
Akurasi 69%
Waktu yang diperlukan 5 detik
Dapat terlihat bahwa tidak semua tweets dapat
terklasifikasi sentimennya dengan benar. Dari 100
data twitter yang diinputkan, terdapat 52 tweets
termasuk positif dan 48 tweets termasuk negatif.
Dengan algoritma Baseline selama 1 detik
dihasilkan 85 tweets termasuk positif dan 15
tweets termasuk negatif dengan akurasi 61%.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
Dengan Naïve Bayes, selama 2 detik dihasilkan 27
termasuk positif dan 73 termasuk negatif dengan
akurasi 65%. Dengan Maximum Entropy, selama 5
detik dihasilkan 35 termasuk positif dan 65
termasuk negatif dengan akurasi 69%.
akurasi paling tinggi dalam melakukan klasifikasi
sentiment pada ujicoba pertama, kedua, dan
kelima. Dapat disimpulkan 3 dari 5 percobaan
akurasi maksimum entropy yang paling tinggi.
Selain itu, dilakukan juga uji coba dengan
kuesioner yang dilakukan untuk mengetahui
pendapat pengguna mengenai website yang
dikembangkan. Terdapat 20 orang responden yang
menjawab pertanyaan yang disediakan pada
kuesioner. Pada kuesioner terdapat 8 pertanyaan
yang diberikan kepada pengguna untuk
mengetahui apakah website yang dibuat telah
mencapai sasaran untuk menjadi sebuah website
sentiment analysis yang meyediakan review
produk untuk membantu pengguna dalam mencari
review dari produk tertentu. Pertanyaan-pertanyaan
yang terdapat pada kuesioner dapat dikelompokkan
menjadi dua bagian. Bagian pertama meliputi
performa dari aplikasi yaitu kecepatan pemrosesan,
keakuratan pengelompokan sentiment, penyajian
informasi serta interface dan fitur-fitur yang ada.
Bagian kedua berupa pertanyaan apakah responden
mau menggunakan website ini untuk keperluan
mencari review suatu produk dan apakah
responden akan menggunakan website ini bila
website ini dipublikasikan di internet.
Gambar 4. Contoh Tampilan Hasil Analisa Sentimen
Setelah dilakukan ujicoba untuk lima kasus
pencarian produk, dapat dilihat keefektifan kerja
dari masing-masing algoritma dalam melakukan
klasifikasi sentiment berbeda-beda. Pada ujicoba
pertama, kedua dan kelima algoritma Maximum
Entropy memiliki akurasi paling tinggi dalam
melakukan klasifikasi sentiment. Dalam ujicoba
ketiga dan keempat algoritma baseline yang
memiliki akurasi paling tinggi. Untuk lebih jelas
dapat dilihat pada table berikut.
Tabel 2. Tabel Evaluasi Ujicoba
Tabel 2. Pertanyaan dan Prosentase Jawaban Untuk
Bagian Pertama
Pertanyaan
Tampilan
Performa
Fitur-fitur website
Keakuratan pengelompokan
sentiment
Saran produk lain yang
diberikan
Baik
90%
50%
50%
Cukup
10%
35%
50%
Kurang
0%
15%
0%
60%
35%
5%
55%
45%
0%
Dari hasil kuesioner, dapat disimpulkan bahwa
website dikembangkan pada penelitian ini cukup
baik dan telah memenuhi tujuan dibuatnya website
maupun penelitian ini.
KESIMPULAN
Algoritma
P1
P2
P3
P4
P5
Baseline
Naïve
Bayes
Maximum
Entropy
61%
57%
78%
70%
68%
65%
76%
64%
54%
69%
69%
77%
62%
56%
75%
Dari tabel tersebut, dapat disimpulkan bahwa
algoritma Maximum Entropy menunjukan hasil
yang paling baik dari algoritma Baseline dan Naïve
bayes. Algoritma Maximum Entropy memiliki
Adapun beberapa kesimpulan yang didapatkan
antara lain:
1. Dengan Penggunaan Twitter Search API untuk
mendapatkan tweets dari Twitter sangat
membantu, tetapi banyak sekali tweets yang
diperoleh kurang cocok untuk dilakukan
klasifikasi, salah satunya karena bahasa yang
kurang baku dan benar. Diperlukan lagi
penyaringan tweets agar tweets didapatkan
tweets yang lebih baik.
Dinamika Teknologi
13
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 7-14
2. Proses analisa dari Maximum Entropy
menunjukan akurasi yang lebih baik daripada
Baseline dan Naïve Bayes. Untuk meningkatkan
kinerja dari proses klasifikasi sentiment
diperlukan training data yang lebih banyak dan
perbaikan dalam penggunaan algoritma.
3. Waktu pemrosesan merupakan masalah yang
harus diperhatikan. Untuk mengatasi hal ini
dapat dilakukan analisa terhadap review suatu
produk terlebih dahulu dan pengguna hanya
melihat hasilnya tanpa perlu menunggu proses
klasifikasi.
DAFTAR PUSTAKA
1. Apach Go, Alec, Richa Bhayani, Lei Huang.
Twitter Sentiment Classification using Distant
Supervision.
2009.
Tersedia:
http://cs.stanford.edu/people/alecmgo/papers/T
witterDistantSupervision09.pdf
2. Dang, Yan., Zhang Yulei., Hsinchun Chen. A
Lexicon Enhanced Method for Sentiment
Classification: An Experiment on Online
Product
Reviews.
2010.
Tersedia:
https://www.computer.org/csdl/mags/ex/2010/0
4/mex2010040046.pdf
3. Liu, Bing. Sentiment Analysis A Multi-Faceted
Problem, IEEE Intelligent Systems. 2010.
Tersedia:
14
Dinamika Teknologi
http://www.cs.uic.edu/~liub/FBS/IEEE-IntellSentiment-Analysis.pdf
4. Liu, Bing. Sentiment Analysis and Subjectivity,
in Handbook of Natural Language Processing.
2010.
Tersedia:
http://gnode1.mib.man.ac.uk/tutorials/NLPhandbook-sentiment-analysis.pdf
5. Pang,
Bo.,
Lillian
Lee,
Shivakumar
Vaithyanathan.
Thumbs
up?
Sentiment
Classification
using
Machine
Learning
Techniques.
Tersedia:
http://www.cs.cornell.edu/home/llee/papers/sent
iment.pdf
6. Pang, Bo dan Lilian Lee. Opinion Mining and
Sentiment Analysis, Foundations and Trends in
Information
Retrieval.
2008.
Tersedia:
http://www.cs.cornell.edu/home/llee/omsa/omsa
7. Ratnaparkhi, Adwait. A Simple Introduction to
Maximum Entropy Models for Natural
LanguageProcessing.1997.
Tersedia:
http://repository.upenn.edu/cgi/viewcontent.cgi
?article=1083&context=ircs_reports
8. Russell, Matthew A. 21 Recipes for Mining
Twitter. O’Reilly. 2011
9. Russell, Matthew A. Mining the Social Web.
O’Reilly. 2011
10. Wasilewska,
Anita.
Apriori
Algoritm.
Tersedia:
http://www3.cs.stonybrook.edu/~cse634/lectur
e_notes/07apriori.pdf