Implementasi Particle Swarm Optimization (PSO) pada Analysis Sentiment Review Aplikasi Trafi menggunakan Algoritma Naive Bayes (NB)

Implementasi Particle Swarm Optimization (PSO) pada Analysis Sentiment Review Aplikasi Trafi menggunakan Algoritma Naive Bayes (NB)

• By Yulia, Eka Rini; Solecha, Kusmayanti;
• Jurnal Nasional Terakreditasi
• 324
• 25-29

Pengembangan Aplikasi Transportasi saat ini semakin besar sehingga banyak sekali vebdor-vendor bersaing bisnis dalam menciptakan aplikasi moda transportasi, muali dari kualitas dan kuantitasnya sehingga sering dipertanyakan. Dengan ini peneliti mengadakan pemutaran aplikasi transportasi yang bernama Trafi untuk mendapatkan pendapat atau komentar applikasi Trafi dari masyarakat yang telah menggunakan aplikasi dan dituangkan ke dalam media online. Dari sekian banyak komentar yang telah ditinjau untuk mendapatkan satu set data bentuk positif dan negatif dari teks yang akan peneliti olah. Untuk data klasifikasi menggunakan Naïve Bayes (NB), NB salah satu algoritma paling populer untuk pengenalan pola. Selain kesederhanaan, Naive Bayes classifier adalah teknik pembelajaran mesin populer untuk klasifikasi teks, Particle Swarm Optimization (PSO) yang dikombinasikan dengan Naive klasifikasi Bayes bersangkutan untuk meningkatkan kinerja. Sebelum digunakan optimasi dengan PSO dalam akurasi set data yang diperoleh 69,50% dan setelah dikombinasikan antara Naive Bayes dan akurasi PSO adalah 72,34%. Gunakan PSO dan Naïve Bayes sesuai dengan konsep text mining yang bertujuan untuk menemukan pola-pola yang ada dalam teks, kegiatan yang dilakukan oleh text mining di sini adalah klasifikasi teks.

• Katakunci SentimenAnalisis, Review Aplikasi Trafi, Algoritma Naive Bayes
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/jtk/article/view/9078
• Penerbit Jurnal Teknik Komputer AMIK BSI, Jakarta DKI Jakarta

REFERENSI

Chen, J., Huang, H., Tian, S., & Qu, Y. (2009). Feature selection for text classification with Naive Bayes. Expert Systems with Applications, 36(3), 5432–5435.

Feldman, Ronen and Sanger, James. (2007). The Text Mining Handbook Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press, New York.

Gorunescu. (2011). Data Mining Concepts, Models and Techniques. Romania: Springer-Verlag Berlin Heidelberg

He, Y., & Zhou, D. (2011). Self-training from labeled features for sentiment analysis.Information Processing & Management, 47(4), 606–616.

Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies, 5(May), 1–167.

Moraes, R., Valiati, J. F., & Gavião Neto, W. P. (2013). Document-levelsentiment classification: An empirical comparison between SVM and ANN. Expert Systems with Applications, 40(2), 621–633.

Popescu, A. M., Etzioni, O.: Extracting Product Features and Opinions from Reviews, In Proc. Conf. Human Language Technology and Empirical Methods in Natural Language Processing, Vancouver, British Columbia, 2005, 339–346.

Rodiyansyah, S. F., & Winarko, E. (2012). Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification. FMIPA UGM, 6(1), 91–100.

Salappa, A., Doumpos, M., &Zopounidis, C. (2007).Feature SelectionAlgorithms in Classification Problems:An Experimental Evaluation. SystemsAnalysis, Optimization and Data Mining in Biomedicine , 199-212.

Songbo Tan, Jin Zhang, “An empirical study of sentiment analysis for chinese documents”, Expert Systems with Applications 34 (2008) 2622–2629.

Vinodhini.G,Chandrasekaran.RM.(2012).Sentiment Analysis and Opinion Mining: A  Survey. International Journal of Advanced Research in Computer Science and Software Engineering, ISSN: 2277 128X,Vol 2.

Wadyono, Agus dan Sudarma S. (2012). Tip Trik Android untuk Pengguna Tablet & Handphone. Media Kita, Jakarta.

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.