OPTIMASI PARTICLE SWARM OPTIMIZATION SEBAGAI SELEKSI FITUR PADA ANALISIS SENTIMEN REVIEW HOTEL BERBAHASA INDONESIA MENGGUNAKAN ALGORITMA NAIVE BAYES
ABSTRACT: 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%
Kata Kunci: Analisa Sentimen,
Review Hotel, Naïve Bayes, Particle Swarm Optimization, Klasifikasi teks,
pemilihan fitur
Penulis: Andi Taufik
Kode Jurnal: jptkomputerdd170130