Analisis Sentimen Review Barang Berbahasa Indonesia Dengan Metode Support Vector Machine Dan Query Expansion

  

Vol. 2, No. 9, September 2018, hlm. 2909-2916 http://j-ptiik.ub.ac.id

Analisis Sentimen Review Barang Berbahasa Indonesia Dengan Metode

  

Support Vector Machine Dan Query Expansion

_{1 2 3} Dimas Joko Haryanto , Lailil Muflikhah , Mochammad Ali Fauzi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: dimasjokoh@gmail.com, lailil@ub.ac.id, moch.ali.fauzi@ub.ac.id

  

Abstrak

  Berbelanja secara online sekarang merupakan kegiatan umum yang terjadi pada masyarakat. Berkembangnya jaman membuat seseorang memilih untuk belanja secara online daripada harus melakukan perjalanan ke toko untuk mendapatkan barang yang dibutuhkan. Sebuah r eview barang yang terdapat pada setiap barang di sebuah toko

  online dapat berguna untuk melihat bagaimana umpan balik

  pembeli sebelumnya melalui sebuah komentar. Komentar yang diberikan terdiri dari komentar positif atau komentar negatif. Untuk mengatasi masalah tersebut maka digunakan metode analisis sentimen komentar pada

  review barang berbahasa Indonesia menggunakan metode Support Vector Machine dan

Query Expansion. Dalam penelitian ini menggunakan 400 data komentar yang terbagi menjadi dua yaitu

  positif dan negatif. Adapun metode yang digunakan adalah metode Support Vector Machine kerne

  

Polynomial berderajat dua dengan Query Expansion. Query Expansion digunakan untuk memperluas

  kata pada data uji yang memiliki sinonim yang tidak terdapat pada data latih. Hasil pengujian akhir menghasilkan rata-rata akurasi sebesar 96,25% dengan parameter nilai

  learning rate = 0,001, nilai

lambda = 0,1, nilai complexity = 0,01 dan iterasi maksimal adalah 50. Berdasarkan hasil pengujian,

  diperoleh akurasi metode Support Vector Machine dan Query Expansion sebesar 96,25% dan akurasi menggunakan metode Support Vector Machine tanpa Query Expansion sebesar 94,75%.

  Kata kunci: SVM, Query Expansion, Analisis Sentimen, Komentar

Abstract

  

Shopping an item in online store is a common activity happening to the community now. The rise of time

makes someone chooses to shop online rather than having to travel to the store to get what they need.

Reviews of each items in an online store can be useful to see how the buyer's previous feedback through

a comment. The comments categorized as positive comments or negative comments. Therefore, to

overcome the problem then used sentiment analysis reviews of items using Support Vector Machine and

Query Expansion method. This research uses 400 data comments that is divided into two comment, that

is positive and negative. The method used is Support Vector Macine polynomial kernel with degree two

and Query Expansion. Query Expansion is used to expand a word that has synonyms that are not

contained in the training data. The final test result yields an average of accuracy is 96,25% with

parameter value of learning rate = 0,001, value of lambda = 0,1, value of complexity = 0,01 and

maximum iteration is 50. Accuracy of Support Vector Machine and Query Expansion method is better

than just using Support Vector Machine method which only gets 94,75% of accuracy.

  Keywords: SVM, Query Expansion, Sentiment Analysis, Comment

  terdapat pada setiap barang di dalam toko online 1.

   PENDAHULUAN tersebut berguna untuk melihat bagaimana

  umpan balik dari orang-orang yang sebelumnya Kebutuhan masyarakat semakin meningkat telah membeli barang tersebut. Umpan balik seiring dengan mudahnya pembelian barang diberikan oleh pengguna biasanya terbagi atas melalui internet. Pembelian barang sekarang dua macam, yaitu komentar positif atau dapat dilakukan mulai dari rumah, kantor atau komentar negatif. Pengguna dapat bahkan tempat alam bebas tanpa perlu harus mengekspresikan pendapat mereka tentang menemui sang penjual. Review barang yang kualitas, harga, layanan sebuah

  website, penjual Fakultas Ilmu Komputer Universitas Brawijaya

  

2909

  online dan kecepatan pengiriman. Pengguna

  penelitian tersebut menunjukkan bahwa metode

  1000 data sentimen positif dan 1000 data sentimen negatif. Sementara itu, data Twitter berjumlah 1200 data kicauan yang terdiri dari 600 kelas negatif dan positif. Hasil akhir yang didapat pada data

  review film yaitu nilai akurasi

  antara Support Vector Machine dan Naïve Bayes

  Classification memiliki nilai yang sama yaitu

  78.55%, sedangkan

  K-Nearest Neighbor hanya

  mendapat nilai 56.7%. Hasil akhir yang didapat pada data Twitter yaitu nilai akurasi dari Support

  Vector Machine lebih baik dari 2 metode yang

  lain yaitu sebesar 72%, Naïve Bayesian

  Classification sebesar 67.33% dan K-Nearest Neighbor sebesar 56.83%. Kesimpulan pada

  Support Vector Machine lebih unggul daripada Naïve Bayesian Classification, sedangkan untuk K-Nearest Neighbor memperoleh hasil jauh

  data yaitu data review film dan data Twitter. Data

  dibawah Support Vector Machine ataupun Naïve Bayesian Classification (Ipmawati, 2017).

  Metode Query Expansion adalah metode membantu mengatasi masalah ketidakcocokan token dengan tambahan term yang relevan. Metode ini telah diterapkan secara luas untuk meningkatkan efisiensi pada

  Relevance Back System (Rivas, 2014). Query Expansion

  digunakan untuk memperluas kata pada data uji yang tidak terdapat pada data latih. Pada penelitian tentang analisi sentimen pada review aplikasi mobile menggunakan metode Naïve

  Bayes

  dan

  Query Expansion,

  peneliti sebelumnya melakukan analisis sentimen pada data review aplikasi mobile. Algoritme yang digunakan adalah

  Naïve Bayes dan Query Expansion. Data yang digunakan yaitu 100 data

  uji dan 1000 data latih. Penerapan Query

  Expansion pada data uji menyebabkan akurasi

  review film yang digunakan berjumlah

  K-Nearest Neighbor. Pada penelitian tersebut digunakan 2

  belanja online sering menggunakan komentar dari pengguna sebelumnya ketika mereka akan melakukan pembelian barang (Chen, 2012). Oleh karena itu, pengelompokan review barang dari konsumen dipengaruhi oleh emosi (sentimen) yang dikelompokkan atau diklasifikasikan untuk menentukan kepolarisasiannya yaitu positif atau negatif (Indriati, 2016).

  review aplikasi mobile dengan rata-

  Analisis sentimen mempelajari cara pandang, tingkah laku dan perasaan atau emosi seseorang terhadap sebuah individu, masalah, aktifitas, subjek (Basari, 2013). Analisis sentimen digunakan untuk menganalisis

  review

  sebuah barang dari

  website

  kemudian mengklasifikasikan komentar tersebut kedalam sentimen positif atau negatif. Teknik klasifikasi yang digunakan pada penelitian-penelitian sebelumnya untuk analisis sentimen adalah

  Naïve Bayes, Support Vector Machine, dan K- Nearest Neighbor. Beberapa penelitian

  sebelumnya tentang analisis sentimen pada sebuah

  review online salah satunya analisis

  sentimen pada review aplikasi mobile menggunakan metode neighbor weighted k-

  nearest neighbor (NWKNN) (Indriati, 2016),

  penelitian tersebut menggunakan NWKNN yang merupakan pengembangan K-Nearest Neighbor dengan menerapkan prinsip pembobotan. Hasil uji dari penelitian tersebut yaitu metode NWKNN mampu melakukan klasifikasi dokumen

  rata nilai f-measure terbaik sebesar 0.9 pada saat nilai k=20, sementara pada data tidak seimbang diperoleh bahwa nilai

  dan

  k=45 menghasilkan rata-

  rata nilai f-measure sebesar 0.797. Kedua pengujian tersebut dilakukan pada data latih dan data uji dengan perbandingan 80% dan 20%.

  Pada penelitian tentang analisis sentimen tingkat kepuasan pengguna penyedia layanan telekomunikasi seluler Indonesia pada Twitter dengan metode Support Vector Machine dan

  Lexicon Based Features, peneliti sebelumnya

  melakukan analisis sentimen tingkat kepuasan masyarakat menggunakan data Twitter mengenai penyedia layanan telekomunikasi seluler. Algoritme yang digunakan pada penelitian tersebut adalah Support Vector

  Machine Dan Lexicon Based Features dengan

  menggunakan kernel polynomial berderajat 2 dengan nilai konstanta learning rate 0.0001 dan iterasi maksimum = 50. Data yang digunakan sebanyak 300 data dengan perbandingan 70% untuk data latih dan 30% untuk data uji. Akurasi yang didapatkan dengan menggunakan metode

  Support Vector Machine dan Lexicon Based Features sebesar 79%, sedangkan apabila tidak

  menggunakan metode Lexicon Based Features akurasi yang didapatkan sebesar 84% (Rofiqoh, 2017).

  Pada penelitan tentang komparasi teknik klasifikasi teks mining pada analisis sentimen, peneliti sebelumnya menggunakan 3 metode sebagai metode perbandingan pada analisis sentimen yaitu Support Vector Machine, Naïve

  Bayesian Classification,

  akhir yang didapatkan sebesar 98%, sementara akurasi yang didapatkan tanpa menerapkan

  Query Expansion hanya 95% (Firmansyah, 2016).

  Tabel 1. Fungsi kernel Nama Kernel Fungsi Polynomial

  dot product dari data yang sudah

  ditransformasikan pada ruang baru. Nilai dot

  product dapat dihitung tanpa mengetahui proses

  transformasi data Φ. Fungsi kernel memberikan kemudahan dalam proses pembelajaran SVM untuk menentukan support vector (Nugroho, 2003).

  Fungsi

  kernel dapat dirumuskan pada Persamaan 1.

  ( . ) = Φ( ). Φ( )

  (1)

  ( ⋅ ) = ( . + 1)

  ( ) ke ruang vektor yang memiliki dimensi lebih tinggi. Pemetaan ini bertujuan untuk merepresentasikan data pada ruang vektor baru.

  Gaussian RBF

  ( ⋅ ) = exp (− ( ‖ − ‖

  2

  2

  2 ))

  Sigmoid ( ⋅ ) = tanh⁡( . +

  2.4 Metode Sequential Support Vector Machine

  Metode sekuensial adalah metode yang dikembangkan oleh Vijayakumar (1999), yang berguna untuk mendapatkan hyperplane. Metode ini dapat memberikan solusi optimal dan

  Proses pembelajaran pada SVM saat menemukan support vector hanya bergantung dari

  dipisahkan oleh hyperplane secara sempurna. Maka dari itu, diperlukan modifikasi SVM dengan memasukkan fungsi kernel. Konsep dari SVM non-linear adalah mengubah data x yang dipetakan oleh fungsi

  Analisis sentimen membantu seorang penjual untuk mengevaluasi pendapat dan tingkah laku dari klien terhadap barang mereka, sehingga penjual tersebut mendapatkan

  non-linearly separable, sehingga kedua class tidak dapat

  Pada umumnya, masalah yang ada di dunia nyata mempunyai bentuk

  linear dengan memasukkan kernel trik pada ruang dimensi tinggi.

  menemukan hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space (Saifinnuha, 2015). Prinsip dasar dari SVM adalah pengklasifikasi linear, kemudian dikembangkan menjadi pengklasifikasi non-

  linier dengan

  Metode Support Vector Machine (SVM) adalah metode klasifikasi

  2.3 Support Vector Machine

  pada data mining, karena data teks memiliki data yang tidak terstruktur sehingga perlu dilakukan beberapa tahap yang pada intinya mengubah data menjadi lebih terstruktur.

  review

  barang mereka secara langsung dari klien dengan menggunakan media sosial seperti Twitter atau komentar pada sebuah toko online. Oleh karena itu, dibutuhkan analisis sentimen untuk menganalisis pandangan seseorang terhadap sebuah barang sehingga bisa meningkatkan daya guna serta penjualan barang tersebut dengan mengetahui kelemahan barang dari sudut pengguna. Pada penelitian ini, hasil akhir yang akan dihasilkan adalah tingkat akurasi yang dicapai dalam melakukan analisis sentimen dengan menggunakan Support Vector Machine dan Query Expansion.

2. DASAR TEORI

  text mining. Fungsi utama dari text mining

  akan tetapi kumpulan dari berbagai macam fungsi yang dikombinasikan dan disebut fungsi

  Text mining bukanlah sebuah fungsi,

  pola yang tersembunyi pada sumber tertentu agar dapat digunakan untuk suatu tujuan (Indriati, 2016). Untuk melakukan analisis pembuat keputusan, maka dibutuhkan data tidak terstruktur yang berjumlah besar dalam bentuk dokumen.

  2.2 Text Mining Text mining bertujuan untuk menemukan

  Analisis sentimen mempelajari pandangan individu, evaluasi, tingkah laku dan perasaan terhadap orang, individu, masalah, aktivitas dan subjek (Basari, 2013). Tujuan dari sentimen analisis adalah memutuskan sikap atau pendapat dari seseorang terhadap suatu topik atau target. Analisis sentimen dapat digunakan untuk menentukan nilai kesukaan atau ketidaksukaan seseorang terhadap suatu barang. Nilai yang sering digunakan pada sentimen analisis yaitu positif dan negatif. Nilai ini dapat digunakan untuk dijadikan parameter dalam pengambilan keputusan.

  2.1 Analisis Sentimen

  Categorization, Summarization, Prioritization, Clustering, Information Monitor dan Question & answers (Mustafa, 2009).

  Text mining merupakan bagian dari data mining, akan tetapi tahapan proses pada text mining lebih banyak dibanding tahapan proses

  meliputi Searching, Information Extraction,

2. Inisialisasi nilai α i

  2 (∑ ( ,

  term binary dimana token berinilai 1 apabila ada

  − ) + ∑ ( ,

  =0 =0 )

  (6) Analisis sentimen dapat dihitung dengan menggunakan Persamaan 7.

  ( ) = ∑ ( , ) + =0

  (7)

  mempercepat proses iterasi daripada menggunakan solusi konvensional. Langkah- langkah dalam melakukan metode sequential sebagai berikut:

  dan 0 apabila tidak ada. Proses analisis sentimen akan menentukan data uji yang dimasukkan tergolong positif atau negatif. Pembobotan term

  Pada Gambar 1 dilakukan input data latih dan data uji, kemudian dilakukan preprocessing. Pembobotan yang digunakan yaitu pembobotan

  1

  pada proses ini akan digunakan untuk analisis sentimen.

  Support Vector Machine. Nilai bias yang didapat

  JSastrawi. Hasil dari preprocessing tersebut akan dilakukan klasifikasi dengan Sequential

  stemming akan menggunakan library

  membuat data yang terstruktur dan siap untuk diproses. Data mentah yang digunakan biasanya merupakan data yang tidak terstruktur. Tahapan dalam teknik preprocessing adalah case folding, tokenisasi, normalisasi, filtering dan stemming. Proses

  text mining yang digunakan untuk

  3 METODOLOGI PENELITIAN

  Terdapat beberapa langkah dalam alur sistem ini, langkah awal yaitu memasukkan data latih. Data latih tersebut kemudian dilakukan

• )

  = −

  teknik

  Menghitung Persamaan (3), (4), dan (5) untuk memperbarui nilai E dan

  1. Melakukan inisialisasi terhadap parameter ya ng akan digunakan yaitu λ (

  lambda), γ (learning rate), C

  ( complexity), ε (epsilon) dan iterasi maksimum.

  = 0, kemudian hitung matriks dengan Persamaan 2.

  ⅈ = ( (

  1 , ) +

  2 )

  (2) 3.

  α.

  b dengan Persamaan 6.

  a.

  = ∑ (3) b.

  = min⁡{max[ (1 − ), − ] , − } (4) c.

  = + ⁡ (5) 4.

  Melakukan langkah 3 hingga iterasi maksimum atau

  Max(| δα|) < ε.

  Setelah proses diatas selesai, maka akan didapatkan

  α dan support vector. Tahap

  selanjutnya adalah menghitung nilai bias

  preprocessing. Preprocessing adalah tahap awal

2.5 Query Expansion

  sinonim, antonim, terjemahan, kata turunan, dan gabungan kata. Hasil yang akan diambil hanya bagian daftar sinonim. Daftar sinonim dari kata tersebut akan disimpan dalam format teks dan digabungkan dengan daftar sinonim dari kata yang lain.

  binary pada data uji akan mengalami tambahan

  Metode

  Gambar 1 Diagram Alir Sistem

  API Kateglo.

  dengan bantuan data sinonim yang telah dikumpulkan dari

  Query Expansion, dimana Query Expansion akan memperluas pencarian token

  proses yaitu

  membantu mengatasi masalah ketidakcocokan token dengan tambahan term yang relevan. Metode ini telah diterapkan secara luas untuk meningkatkan efisiensi sistem temu kembali (Rivas, 2014). Query Expansion menggambarkan seperangkat teknik untuk memodifikasi kueri agar memenuhi informasi yang dibutuhkan (Selberg, 1997).

  JSON kata tersebut yang memuat definisi,

  Query Expansion

  digunakan untuk memperluas kata yang tidak terdapat pada data latih, sehingga kata di data uji yang tidak muncul di data latih dapat dilakukan perluasan kata dengan menggunakan data sinonim. Pembentukan data sinonim yang akan digunakan pada

  Query Expansion dilakukan secara online

  dengan menggunakan API kateglo. Kateglo adalah aplikasi terbuka yang menyediakan kamus, tesaurus dan glosarium bahasa Indonesia. Sistem akan melakukan akses terhadap Kateglo dengan menggunakan

  API

  Kateglo, kemudian hasil yang didapatkan berupa

  Query Expansion adalah metode Data yang digunakan berjumlah 400 data, dimana 200 data adalah komentar positif dan 200 data adalah komentar negatif. Data komentar tersebut didapatkan dari situs

  tokopedia.com

  lambda dilakukan

  yang semakin kecil akan menyebabkan nilai

  Max(| δα|) bernilai < ε. Apabila nilai Max(|δα|)

  berada dibawah epsilon, maka iterasi sudah berhenti karena nilai

  δα telah konvergen.

  Paramater γ (learning rate) yang diinisialisasi dengan tepat dapat meningkatkan akurasi dan mempercepat proses learning.

  4.2 Pengujian Nilai Parameter λ (lambda)

  Pengujian nilai parameter

  untuk mendapatkan nilai lambda yang menghasilkan akurasi terbaik. Pengujian ini akan menggunakan

  perhitungan kondisi berhenti iterasi. Nilai

  kernel polynomial berderajat

  dua, nilai C (complexity) = 0, 01, ε (epsilon) =

  0,00001 dan iterasi = 50, sedangkan nilai parameter learning rate didapat dari pengujian sebelumnya yaitu 0,001. Nilai lambda yang akan diujikan yaitu 0,1, 0,3, 0,5, 0,7, 0,9, 1, 2, 3, dan

  4.

  0,00% 20,00% 40,00% 60,00% 80,00% 100,00%

  120,00% Aku ra si

  Learning Rate Learning Rate

  Gambar 3 Preprocessing

  δα

  δα, dimana δα digunakan untuk

  kemudian disalin ke sebuah file .txt. Apabila nilai hasil perhitungan analisis sentimen bernilai lebih dari 0, maka data uji tersebut akan digolongkan menjadi komentar positif, jika nilai hasil perhitungan analisis sentimen bernilai kurang dari 0, maka data uji tersebut akan digolongan menjadi komentar negatif.

4 PENGUJIAN DAN ANALISIS

  sebanyak 10 kali dengan menggunakan

  Pada penelitian ini akan dilakukan pengujian dan anilisis terhadap hasil dari analisis sentimen review barang berbahasa Indonesia menggunakan metode

  Support Vector Machine

  dan Query Expansion. Pengujian yang dilakukan pada penelitian ini yaitu pengujian terhadap nilai parameter

  γ (learning rate), λ (lambda), C

  (complexity),

  ε (epsilon) dan iterasi maksimal, serta pengujian perbandingan analisis sentimen dengan Query Expansion dan tanpa Query

  Expansion. Setiap pengujian dilakukan

  10-fold cross validation

  perhitungan

  rate)

  Pengujian nilai parameter γ (learning rate) dilakukan untuk melihat nilai learning rate mana yang terbaik. Pengujian dilakukan pada nilai

  Gambar 2 Analisis nilai parameter learning rate learning rate = 0,0001, 0,001, 0,01, 0,1, 1, 10, 20.

  Kernel yang digunakan yaitu polynomial berderajat dua, λ (lambda) = 0,5, C (complexity)

  = 0, 01, ε (epsilon) = 0,00001 dan iterasi = 50. Gambar 3 menunjukkan hasil pengujian parameter learning rate.

  Berdasarkan Gambar 3 didapatkan bahwa pengaruh parameter γ (learning rate) pada proses

  training menghasilkan akurasi terbaik

  pada nilai γ (learning rate) sebesar 0.001 dan pengujian menggunakan nilai γ (learning rate) = 0.1 membuat akurasi yang didapatkan mulai konvergen. Penurunan akurasi terjadi pada saat nilai γ (learning rate) terlalu besar. Hal ini akan berpengaruh terhadap kecepatan proses

  learning. Nilai learning rate digunakan untuk

4.1 Pengujian Nilai Parameter γ (learning

  yang didapatkan akan berpengaruh terhadap nilai bias b dan nilai bias b akan berpengaruh pada saat proses klasifikasi dokumen.

  120,00% 0,1 0,3 0,5 0,7 0,9 1

  4.4 Pengujian Nilai Parameter ε (epsilon)

  Pengujian nilai parameter ε (epsilon) dilakukan untuk mendapatkan nilai

  ε (epsilon) yang menghasilkan akurasi terbaik. Nilai ε

  (epsilon) yang akan diujikan yaitu 0,00001,

  0,0001, 0,001, 0,01, 0,1, dan 1. Parameter yang akan digunakan yaitu γ (learning rate) = 0,001,

  λ (lambda) = 0,1, C (complexity) = 0,01 dan iterasi = 50.

  Gambar 6 Analisis nilai parameter epsilon 0,00% 20,00%

  40,00% 60,00% 80,00% 100,00%

  2

  Berdasarkan Gambar 4 didapatkan bahwa parameter λ (lambda) berpengaruh terhadap hasil akurasi. Hal ini dapat terlihat pada saat λ ( lambda) = 0,1 sampai dengan 0,5 menghasilkan akurasi cukup tinggi, kemudian pada saat nilai λ ( lambda) = 0,7 mulai terjadi penurunan akurasi hing ga λ (lambda) = 2. Kemudian akurasi mengalami peningkatan pada saat λ (lambda) =

  3

  ra si Lambda

  Uji Lambda 0,00% 20,00%

  40,00% 60,00% 80,00% 100,00%

  120,00% Aku ra si

4 Aku

  C Uji C

  0,00% 20,00% 40,00% 60,00% 80,00% 100,00%

  120,00% Aku ra si

  Epsilon Uji Epsilon

  Gambar 4 Analisis nilai parameter lambda

  pencarian

  λ (lambda) = 0,1, ε (epsilon) = 0,00001 dan iterasi = 50.

  3. Nilai λ (lambda) = 0,1 merupakan hasil terbaik dengan akurasi sebesar 96%. Nilai λ (lambda) yang terlalu besar akan mengakibatkan akurasi menjadi rendah. Hal ini terbukti pada saat pengujian menggunakan λ (lambda) = 50 mengakibatkan akurasi yang didapatkan hanya 63,

  75%. Nilai λ (lambda) yang terlalu besar akan berpengaruh pada saat perhitungan matriks

  Hessian. Perhitungan matriks Hessian akan

  menjadi lebih lambat karena nil ai λ (lambda) yang besar akan mengakibatkan kecepatan untuk mencapai konvergensi menjadi lebih lambat dan ketidakstabilan pada proses learning (Vijayakumar, 1999).

  Pengujian nilai parameter C (complexity) dilakukan untuk mendapatkan nilai C

  (complexity) yang menghasilkan akurasi terbaik.

  Nilai complexity yang akan diujikan yaitu 0,0001, 0,001, 0,01, 0,1, 1, 10, dan 20. Parameter yang akan digunakan yaitu

  γ (learning rate) = 0,001,

  Gambar 5 Analisis nilai parameter C

  δα juga berpengaruh terhadap

  Berdasarkan Gambar 5 didapatkan bahwa pengaruh parameter C (

  complexity) pada proses training berpengaruh terhadap akurasi. Nilai C

  ( complexity) yang terlalu kecil yaitu 0,0001 menyebabkan akurasi yang didapatkan rendah sebesar 59,25% dan mulai meningkat saat nilai C ( complexity) semakin besar. Akurasi terbaik didapatkan saat nilai C (

  complexity) = 0,01

  sebesar 96,00%. Hal ini disebabkan karena pengaruh nilai C ( complexity) pada perhitungan

  δα. δα digunakan untuk mencari nilai α terbaru

  yang akan ditambahkan dengan nilai

  α

  sebelumnya. Nilai

  support vector. Data support vector

4.3 Pengujian Nilai Parameter C (complexity)

  Berdasarkan Gambar 6 didapatkan bahwa nilai ε (epsilon) berpengaruh pada hasil akurasi yang didapatkan. Akurasi terbaik didapatkan saat nilai

  mengakibatkan akurasi rendah karena terjadi konvergensi dini yang berarti iterasi akan berhenti pada saat nilai

  Berdasarkan Gambar 8, didapatkan bahwa terjadi peningkatan akurasi antara metode

  Support Vector Machine yang menggunakan Query Expansion dibandingkan dengan metode Support Vector Machine yang tidak

  menggunakan Query Expansion sebesar 1,5%. Pada penggunaan metode Support Vector

  Machine dan Query Expansion akurasi yang

  didapatkan sebesar 96,25%, sedangkan pada saat menggunakan metode Support Vector Machine tanpa Query Expansion akurasi yang didapatkan sebesar 94,75%. Hal ini dikarenakan pada pengujian dengan menggunakan Support Vector

  α yang didapatkan belum optimal.

  ε (epsilon) terlalu besar akan

  ε (epsilon) = 0,0001 sebesar 96,25%, kemudian menurun pada saat nilai ε (epsilon) =

  tetapi, jika nilai

  α yang terjadi tidak terlalu signifikan. Akan

  nilai

  α. Apabila max(|δα) < ε, maka perubahan

  nilai

  (epsilon) digunakan untuk melihat perubahan

  0,001 sampai dengan 1. Hal ini karena ε

  4.6 Perbandigan Akurasi Query Expansion

4.5 Pengujian Nilai Parameter Iterasi

  α

  Vector Machine tanpa menggunakan Query Expansion, hasil yang didapatkan lebih rendah

  Metode Perbandingan Akurasi Metode

  Aku ra si

  SVM + Query Expansion SVM

  94,00% 94,50% 95,00% 95,50% 96,00% 96,50%

  Iterasi Uji Iterasi

  50 75 100 250 500 Aku ras i

  25

  Gambar 8 Perbandingan akurasi SVM+QE dan SVM 95,80% 95,90% 96,00% 96,10% 96,20% 96,30%

  Expansion tetap dapat digunakan apabila sistem tersebut tidak terhubung pada jaringan internet.

  menggunakan Query Expansion. Perbedaan akurasi yang kecil disebabkan karena data sinonim yang digunakan adalah data dalam bentuk file teks, sehingga metode Query

  Support Vector Machine dengan

  karena terdapat beberapa kata pada data uji yang memiliki makna hampir mirip pada data latih, tetapi tidak dapat dianggap muncul karena penulisan kata yang berbeda, sehingga hasil akurasi menjadi lebih rendah dibandingkan metode

  data uji dengan menggunakan data sinonim kata yang telah dikumpulkan sebelumnya. Token yang memiliki makna mirip berdasarkan pada data sinonim akan bernilai 1, sehingga token dianggap muncul pada dokumen latih tersebut. Pada pengujian dengan menggunakan Support

  yang konvergen dengan dilihat dari perubahan nilai

  Machine dan Query Expansion, metode Query Expansion memperluas kata yang terdapat pada

  Pengujian nilai parameter iterasi dilakukan untuk mendapatkan nilai iterasi yang menghasilkan akurasi terbaik. Pada pengujian ini, parameter yang akan digunakan adalah parameter dari pengujian sebelumnya yaitu

  γ

  (learning rate) = 0,001,

  λ (lambda) = 0,1, ε (epsilon) = 0,0001, dan C (complexity) = 0,01. Kernel yang akan digunakan yaitu kernel berderajat dua.

  Berdasarkan Gambar 7 didapatkan bahwa pengaruh parameter iterasi pada proses

  learning menghasilkan akurasi yang cenderung

  Gambar 7 Analisis nilai parameter iterasi

  α yang bisa dijadikan support vektor.

  stabil. Akurasi terbaik didapatkan pada saat iterasi bernilai 50 sebesar 96,25%. Akurasi yang tinggi disebabkan karena iterasi maksimal memberikan waktu untuk dapat mencapai nilai

  α yang didapat belum mencapai konvergen,

  nilai

  α dan akurasi yang rendah terjadi karena

  sehingga nilai α yang didapatkan belum optimal. Nilai iterasi yang kecil akan menyebabkan semakin sedikit nilai

  5 KESIMPULAN

  Ipmawati, J., Kusrini, Luthfi, E.T. 2017.

  Department of Computer Science and Engineering University of Washington. Seattle

  Universitas Brawijaya. Selberg, E.W., 1997. Information Retrieval Advances using Relevance Feedback.

  Analisis pada Twitter Berbahasa Indonesia untuk Mendapatkan Rating Program Televisi Menggunakan Metode Support Vecotr Machine. S1.

  Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Malang. Saifinnuha, A.Z., 2015. Penerapan Sentimen

  Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features.

  Rofiqoh, U., Perdana, S.P., Fauzi, M.A., 2017.

  Study of Query Expansion Techniques and Their Application in the Biomedical Information Retrieval. Hindawi Publishing Corporation the Scientific World Journal. Spanyol.

  Rivas, A.R., Iglesias, E.I., Borrajo, L., 2014.

  2003. Application of Support Vector Machine in Bioinformatics. Proceeding of Indonesian Scientific Meeting in Central Japan. Japan.

  International Journal of Multimedia and Ubiquitous Engineering. Pakistan. Nugroho, A.S., Witarto, A.B., Handoko, D.,

  Knowledge Discovery using Text Mining: A Programmable Implementation on Information Extraction and Categorization.

  Indonesian Journal on Networking and Security. Yogyakarta. Mustafa, A., Akbar, A., Sultas, A., 2009.

  Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen.

  Indriati, Ridok, A. 2016. Sentiment analysis For Review Mobile Applications Using Neighbor Method Weighted K-Nearest Neighbor (NWKNN). Journal of Environmental Engineering & Sustainable Technology. Malang.

  Metode Support Vector Machine yang diterapkan yaitu Sequential Training SVM dengan tambahan metode Query Expansion dapat diterapkan pada analisis sentimen review barang berbahasa Indonesia. Data yang digunakan yaitu 200 data komentar positif dan 200 data komentar negatif. Data tersebut akan dilakukan preprocessing yaitu case folding, tokenisasi, normalisasi, filtering, dan stemming. Pembobotan token yang digunakan yaitu term

  FILKOM Universitas Brawijaya. Malang

  Firmansyah, R.F.N., Fauzi, M.A., Afirianto, T., 2016. Sentiment Analysis pada Review Aplikasi Mobile Menggunakan Metode Naïve Bayes dan Query Expansion.

  Chen, H., 2012. The Impact of Comments and Recommendation System on Online Shopper Buying Behaviour. Journal of Networks. Beijing.

  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 (2013) 453 – 462. Malaysia.

  6 DAFTAR PUSTAKA

  sedangkan akurasi yang diperoleh dengan menggunakan metode Support Vector Machine tanpa Query Expansion sebesar 94.75%.

  Machine dan Query Expansion sebesar 96.25%,

  , nilai λ (lambda) = 0.1, nilai C (complexity) = 0.01, nilai ε (epsilon) = 0.0001, dan nilai iterasi = 50. Akurasi yang diperoleh dengan menggunakan metode Support Vector

  γ (learning rate) = 0.001

  barang berbahasa Indonesia dengan menggunakan daftar sinonim kata. Parameter terbaik didapatkan pada nilai

  review

  yang lebih bagus dalam klasifikasi

  Query Expansion digunakan untuk mendapatkan hasil

  binary. Query Expansion digunakan pada saat perhitungan bobot pada data uji.

  Vijayakumar, S., Wu, S., 1999. Sequential Support Vector Classifiers and Regression. Processing International Conference on Soft Computing. Jepang.