Optimasi Particle Swarm Optimization Pada Naive Bayes Untuk Sentiment Analysis Furniture

Optimasi Particle Swarm Optimization Pada Naive Bayes Untuk Sentiment Analysis Furniture

• By Aulianita, Rizki; Rifai, Achmad;
• Jurnal Nasional Tidak Terakreditasi
• 157
• 31-40

Penelitian  ini  memfokuskan  pada  peningkatan  akurasi  produk  furniture  dengan menggunakan  algoritma  Naive  Bayes  yang  dioptimasi  PSO.  Fungsi  dari  penerapan  metode algoritma tersebut dalam mengklasifikasikan review positif dan negatif yaitu untuk memudahkan pembeli mendapatkan informasi secara mudah sebelum memilih produk yang tepat untuk dibeli. Pengolahan data uji training menggunakan 100 data review furniture positif dan 100 data review furniture  negatif.  Hasil  eksperimen  pada  Naive  Bayes  optimasi  Particle  Swarm  Optimization (PSO)  sebesar  93,50%  sehingga  dapat  disimpulkan  bahwa  Naive  Bayes  merupakan  metode klasifikasi  teks  yang  sederhana  dan  PSO  salah  satu  teknik  optimasi  yang  berfungsi  untuk meningkatkan pembobotan atribut (atribute weight).

• Katakunci text mining, sentiment analisis, Naive Bayes, Naive Bayes optimasi PSO
• URL http://ejournal-binainsani.ac.id/index.php/IMBI/article/view/1043
• Penerbit ,

REFERENSI

Al-ghuribi SM, Alshomrani S. 2013. Algorithms for Arabic and English Languages.

 

Aulianita R. 2015. Komparasi Algoritma Naive Bayes dan K-Nearest Neighbors Pada Sentiment Analysis Review Restaurant.Thesis M.Kom STMIK Nusa Mandiri Jakarta 5–27.

 

Bijalwan V, Kumar V, Kumari P, Pascual J. 2014. KNN based machine learning approach for text and document mining. Int. J. Database Theory Appl. 7: 61 –70.

 

Indrayuni  E.  2016.  Analisa  Sentimen  Revi ew  Hotel  Menggunakan  Algoritma  Support  Vector Machine Berbasis Particle Swarm Optimization.

 

Kristiyanti  DA,  Wahyudi  M.  Feature  Selection  Based  on  Genetic  Algorithm,  Particle  Swarm Optimization  and  Principal  Component  Analysis  for  Opinion  Mining  Cosmetic  Product Review.

 

Liu R, Chen Y, Jiao L, Li Y. 2014. A particle swarm optimization based simultaneous learning framework for clustering and classification. Pattern Recognit. 47: 2143–2152.

 

Moraes  R,  Valiati  JF,  Gavião  Neto  WP.  2013.  Document-level  sentiment  classification:  An empirical comparison between SVM and ANN. Expert Syst. Appl. 40: 621–633.

 

Raschka S. 2014. Naive Bayes and Text Classification I - Introduction and Theory. 1–20.

 

Rasjid  ZE,  Setiawan  R.  2017.  Performance  Comparison  and  Optimization  of  Text  Document Classification using k-NN and Naïve Bayes Classification Techniques. Procedia Comput. Sci. 116: 107–112.

 

Tjahyanto A, Sisephaputra B. 2017. The Utilization of Filter on Object-based Opinion Mining in Tourism Product Reviews. Procedia Comput. Sci. 124: 38–45.

 

Vidhya  KA,  Aghila  G.  2010.  A  Survey  of  Naïve  Bayes  Machine  Learning  approach  in  Text Document Classification. Int. J. Comput. Sci. Inf. Secur. 7: 206–211