File Thesis

File Thesis

• By Normah;
• Disertasi
• 291
• 1-155

Dalam dunia pasar aplikasi, umumnya developer memberikan spesifikasi dan keterangan mengenai fitur aplikasi, dilengkapi screen shot, ulasan produk, dan rating pengguna. Membaca ulasan membantu konsumen menentukan mana aplikasi terbaik dari sekian banyaknya aplikasi yang tersedia, membantu perusahaan dan developer memantau kepuasan pengguna, menjadi masukan dalam memperbaiki kualitas fitur dan layanannya, membacanya secara keseluruhan dan manual akan memakan waktu dan tenaga, jika dibaca sekilas dikhawatirkan informasi tidak tersampaikan dengan sempurna. Penelitian ini menganalisis sentimen pengguna aplikasi Windows Phone Store dengan secara otomatis mengklasifikasikan ulasan kedalam dua kategori opini positif atau negatif. Beberapa penelitian membuktikan Naïve bayes berpotensi baik karena kesederhanaan dan kinerjanya sebagai model pengklasifikasi teks pada banyak domain, namun memiliki kekurangan sangat sensitif dalam pemilihan fitur. Terlalu banyak fitur dalam ulasan dapat meningkatkan waktu penghitungan, dan menurunkan akurasi, namun setelah model tersebut diintegrasikan dengan metode pemilihan fitur seperti Information Gain dan Chi Square, akurasi dapat ditingkatkan bahkan akurasinya tidak kalah saat dibandingkan dengan model klasifikasi lain seperti SVM, NN, DT, dan Association Rules. Penelitian ini menggabungkan dua metode Feature Selection, Chi Square dan Genetic algorithm untuk meningkatkan akurasi Naïve Bayes. Model dievaluasi menggunakan 10 Fold Cross Validation. Pengukuran akurasi dilakukan berdasarkan perbandingan akurasi Naive Bayes sebelum dan sesudah penambahan kedua metode pemilihan fitur, dengan Confusion Matrix dan kurva ROC. Hasil penelitian menunjukkan peningkatan akurasi Naïve Bayes dari  60.50% menjadi 84.50%.

• Katakunci Analisa sentimen, Ulasan Aplikasi Windows Phone Store, Naïve Bayes, Chi Square, Genetic Algorithm, Klasifikasi Teks
• URL http://
• Penerbit ,

REFERENSI

Barber, I. 2010. Bayesian Opinion Mining. [Online]. Tersedia di: http://phpir.com/bayesian-opinion-mining.

 

Basuki, Ahmad. 2003. Algoritma Genetika, Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi Dan Machine Learning. Politeknik Elektronika Negeri Surabaya PENS-ITS.

 

Biu, L. 2010. Sentiment Analysis: A Multi-Faceted Problem. [Online]

 

Bramer, M. (2007). Principles of Data Mining. London: Springer.

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

 

Dehaff, M. 2010. Sentiment Analysis, Hard But Worth It!. [Online]. Tersedia di: http://www.customerthink.com/blog/sentiment_analysis_hard_but_worth_it

 

Feldman, R. (2013). Techniques and applications for sentiment analysis. Communications of the ACM, 56(4), 82.

 

Gorunescu, Florin. (2011). Data Mining: Concepts and Techniques. Verlag berlin Heidelberg: Springer

 

Gunal, S. (2012). Hybrid feature selection for text classification, 20.

 

Haddi, E., Liu, X., & Shi, Y. (2013). The Role of Text Pre-processing in Sentiment Analysis. Procedia Computer Science, 17, 26–32.

 

Ha, Elizabet, & David Wagner. (2013). Do Android Users Write About Electric Sheep?. The 10th Annual IEEE CCNC- Mobile Device & Platform & Applications. 978-1-4673-3133-3/13. 149-157.

 

Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques. San Fransisco: Mofgan Kaufan Publisher.

 

Harlian Ch, Milkha. (2006). Text Mining. 391L: Machine Learning Text Categorization.

 

Hidayat, Taufik. 2008. Panduan Membuat Toko Online dengan OS Commerce. Jakarta : Media Kita

 

Hidayat, Taufik. 2010. Cara Praktis Membangun Website Gratis Memanfaatkan Layanan Domain dan Hosting Gratis. Jakarta : Gramedia.

 

Jenkins, M. C. 2011. How Sentiment Analysis works in machines. [Kuliah]. Tersedia di: http://www.slideshare.net/mcjenkins/how-sentiment-analysisworks/Download

 

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi Publishing.

 

Liao. (2007). Recent Advances in Data Mining of Enterprise Data: Algorithms and Application . Singapore: World Scientific Publishing.

 

Markov, Z., & Daniel, T. (2007). Uncovering Patterns in.

 

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

 

Muthia, Dinda Ayu. 2013. Tesis Integrasi Algoritma Genetika Dan Information Gain Untuk Seleksi Fitur Pada Analisis Sentimen Review Film Menggunakan Algoritma Naïve Bayes. Jakarta: STMIK Nusa Mandiri.

 

Nur, Muhamad Yusuf, & Diaz D. Santika. (2011). Analisis Sentimen Pada Dokumen Berbahasa Indonesia Dengan Pendekatan Support Vector Machine. Konferensi Nasional Sistem dan Informatika. KNS&I11-002. 9-14.

 

Olson, David, & Yong Shi. 2007. Pengantar Ilmu Penggalian Data Bisnis. Jakarta: Salemba Empat.

 

Rozi, Imam Fahrur, Sholeh Hadi Pramono, & Erfan Achmad Dahlan. (2012). Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi. Jurnal EECCIS. 6 (1), 37-43.

 

Santoso, Budi. 2007. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu

 

Saraswati, Ni Wayan Sumartini. 2011. Thesis Text Mining Dengan Metode Naïve Bayes Classifier Dan Support Vector Machines Untuk Sentiment Analysis. Denpasar: Universitas Udayana.

 

Sugiyanto. (2008). Metode Penelitian Kuantitatid Kualitatif dan R&D. Bandung: Alfabeta.

 

Supriyanto, Catur, & Affandy. (2011). Kombinasi Teknik Chi Square Dan Singular Value Decomposition Untuk Reduksi Fitur Pada Pengelompokan Dokumen. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011.

 

Ting, S. L, W.H. Ip, Albert H.C. Tsang. (2011). Is Naïve Bayes a Good Classifier for Document Classification?. International Journal of Software Engineering and Its Applications, 5 (3), 37-46.

 

Turban, E., et.al. (2011).  Decision Support and Business Intelligence Systems 9 th Edition. New Jersey: Pearson Education, Inc.

 

Uysal, A. K., & Gunal, S. (2012). A novel probabilistic feature selection method

for text classification. Knowledge-Based Systems, 36, 226–235.

 

Witten, H. I., Frank, E., & Hall, M. A. (2011). Data Mining Practical Machine Learning Tools And Technique. Burlington: Elsevier Inc.

 

Yang, P., Liu, W., Zhou, B. B., Chawla, S., & Albert, Y. (2010). Ensemble-based

wrapper methods for feature selection and class imbalance learning, 1–12.

 

Yang, Christopher C, Xuning Tang, Y. C. Wong, & Chih-Ping Wei. (2010). Understanding Online Consumer Review Opinions with Sentiment Analysis using Machine Learning. Pacific Asia Journal of the Association for Information Systems, 2 (3), 73-89.

Yuhefizar. (2008). 10 Jam Menguasai Internet: Teknologi dan Aplikasinya. Jakarta: Gramedia.