Saat ini pengunjung yang menulis review untuk
berbagi pengalaman secara online terus meningkat. Setiap
pengunjung perlu untuk membuat keputusan saat berlibur
sebelum memesan hotel untuk menginap, biasanya menbaca
hasil review dari pengunjung sebelumnya, tentunya
membutuhkan waktu yang cukup lama apabila membaca
review tersebut secara keseluruhan namun, jika hanya sedikit
review yang dibaca, informasi yang didapatkan akan bias.
Analisa sentimen bertujuan untuk mengatasi masalah ini
dengan secara otomatis mengelompokkan review pengguna
menjadi opini positif atau negatif . Pengklasifikasi Naïve Bayes
adalah teknik machine learning yang populer untuk klasifikasi
teks, karena sangat sederhana, efisien dan memiliki performa
yang baik pada banyak domain. Namun, Naïve Bayes memiliki
kekurangan yaitu sangat sensitif pada fitur yang terlalu banyak,
yang mengakibatkan akurasi klasifikasi menjadi rendah. Oleh
karena itu, dalam penelitian ini digunakan metode pemilihan
fitur, yaitu Particle Swarm Optimization agar bisa
meningkatkan akurasi pengklasifikasi Naïve Bayes. Penelitian
ini menghasilkan klasifikasi teks dalam bentuk review positif
atau review negatif dari review hotel yang diambil dari situs
www. Tripadvisor.com.Pengukuran berdasarkan akurasi Naive
Bayes sebelum dan sesudah penambahan metode pemilihan
fitur. Evaluasi dilakukan menggunakan 10 fold cross
validation. Sedangkan pengukuran akurasi diukur dengan
confusion matrix dan kurva ROC. Hasil penelitian
menunjukkan peningkatan akurasi Naïve Bayes dari 90.50%
menjadi 96.92%
Optimasi Particle Swarm Optimization Sebagai Seleksi Fitur Pada Analisis Sentimen Review Hotel Berbahasa Indonesia Menggunakan Algoritma Naïve Bayes