net/publication/320556313
CITATIONS READS
0 259
2 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Imam Cholissodin on 22 October 2017.
ABSTRAK
Teknologi merupakan salah satu kunci utama pelayanan prima pada lembaga manapun. E-Complaint
merupakan bagian dari lembaga pendidikan dalam kampus yang mengelola data keluhan sebagai tolak ukur
pelayanan prima dan deteksi dini kelemahan dari semua sistem pelayanan yang ada. Data keluhan yang
dikelolapun sangat beragam dan jumlahnya bertambah secara signifikan. Hal ini tidak sebanding dengan
jumlah sumber daya manusia yang ada dalam lembaga tersebut. Jika dokumen tersebut dikelola dengan cara
manual, maka akan membutuhkan usaha cukup besar dan waktu yang cukup lama. Selain itu, mayoritas data
keluhan selalu identik dengan kata-kata yang negatif. Namun tidak semua dokumen yang mengandung kata-kata
negatif termasuk dalam kelas sentiment negatif, karena bisa jadi ternyata dokumen komplain tersebut
mengandung kritik yang membangun. Hal inilah yang menjadi topik utama pada penelitian ini. Dari berbagai
permasalahan tersebut, maka sangat dibutuhkan proses pengelolahan dokumen komplain secara realtime, cepat
dan akurat dengan sistem yang mampu melakukan filterisasi secara otomatis untuk menyeleksi dokumen
komplain mana saja yang positif dan negatif sebelum dilakukan proses tindak lanjut untuk menyelesaikan
komplain tersebut. SVM merupakan salah satu metode yang sangat handal dalam melakukan proses klasifikasi
data yang memiliki tingkat kemiripan tinggi, karena mampu mengolah data baik linear maupun non-linear
dengan menggunakan kernel trik pada dimensi tinggi dan tidak tergantung pada banyaknya fitur yang
digunakan. Dalam penelitian ini, digunakan metode additive selected kernel SVM dengan menambahkan teknik
density of document (DoD) untuk membantu dalam mengoptimalkan hasil pencaran titik data dari dokumen.
Additive selected kernel bekerja dengan melakukan penambahan beberapa fungsi kernel untuk membuat fungsi
hyperplane dengan iterasi yang singkat dan optimal. Dari hasil pengujian semua skenario percobaan dengan
menggunakan metode tersebut didapatkan rata-rata akurasi sebesar 98.60%.
Kata Kunci: Sentiment Analysis, Support Vector Machine, Additive Selected Kernel, Information Retrieval,
Dokumen E-Complaint.
1
untuk mengekspresikan pendapat mereka tentang 2 MODEL, ANALISIS, DESAIN, DAN
berbagai macam topik melalui dokumen tersebut. IMPLEMENTASI
Karena jumlah dokumen topik di internet tumbuh
secara eksponensial, maka untuk membantu 2.1 E-Complaint
pengguna internet memahami dokumen topik yang Penjaminan mutu (quality assurance)
banyak dengan cepat dan mudah, diperlukan metode pendidikan tinggi sebagai proses penetapan dan
khusus sesuai dengan basis permasalahan yang pemenuhan standar mutu pendidikan secara konsisten
digunakan. Kemudian pada penelitian yang lain dan berkelanjutan dimaksudkan agar pelanggan
mengusulkan pendekatan berbasis ontologi untuk memperoleh kepuasan serta menghasilkan
meningkatkan hasil klasifikasi yang dikombinasi pengembangan berkelanjutan (continous
dengan metode SVM pada dokumen yang membahas improvement) di perguruan tinggi. Agar perbaikan
tentang review perangkat lunak [6]. Akan tetapi dan pengembangan dapat dilakukan dengan cepat dan
penelitian tersebut hanya sebatas melihat tingkat terus-menerus serta kepuasan pelanggan senantiasa
kedetailan dari deskripsi kelebihan dan kekurangan terpenuhi, keluhan yang disampaikan oleh pelanggan
suatu perangkat lunak, tanpa mempertimbangan sebenarnya merupakan masukan yang sangat
review sentiment negatif maupun positif dari berharga dan harus ditindaklanjuti secara tepat dan
pelanggan atau pihak terkait. Kemudian disusul terjamin. Keluhan pelanggan juga merupakan salah
penelitian tentang sentiment analysis pada teks satu instrumen untuk melakukan evaluasi dan deteksi
berbahasa Indonesia menggunakan maximum dini terhadap kelemahan sistem ataupun
entropy dan SVM [7]. Mereka mengidentifikasi penyimpangan terhadap pelaksanaan dokumen
bahwa seseorang cenderung untuk mengekspresikan manual mutu. Hal ini juga sangat diperlukan untuk
pendapat hanya dalam bentuk teks, sementara mencapai standar World Class University [1].
emoticon jarang digunakan dan kadang-kadang tidak Pada Gambar 1 merupakan data statistik
sesuai dengan apa yang dibicarakan. Mereka juga keluhan pelanggan dalam bentuk pie chart yang
mengidentifikasi bahwa tulisan di media sosial diambil pada pertengahan tahun 2013. Dari gambar
Indonesia dapat diklasifikasikan tidak hanya untuk tersebut terlihat bahwa urutan prosentase keluhan
pertanyaan positif, negatif, netral dan tetapi juga terbesar sampai yang terkecil adalah Visi, Misi,
untuk kasus khusus pada kata-kata yang sedikit alay Tujuan dan Sasaran, serta Strategi Pencapaian
dan sulit dimengerti oleh komputer. Penelitian sebesar 22.07%, Tata Pamong, Kepimpinan, Sistem
tersebut mendapatkan akurasi sebesar 83.5%. Pengelolaan dan Penjaminan Mutu sebesar 16.72%,
Pada penelitian ini kami mengusulkan teknik Mahasiswa dan Lulusan sebesar 4.35%, Sumberdaya
sentiment analysis dengan menggunakan metode Manusia sebesar 2.01%, Kurikulum, Pembelajaran,
additive selected kernel SVM dengan menambahkan dan Suasana Akademik sebesar 18.39%,
teknik density of document (DoD) pada saat Pembiayaan, Sarana dan Prasarana, Sistem Informasi
pengambilan fitur kata-kata positif dan negatif dari sebesar 24.75%, Penelitian, Pengabdian kepada
dokumen serta menyeleksi penggunaan fungsi kernel Masyarakat, Kerjasama sebesar 2.01%, serta Layanan
sebelum dilakukan proses additive. Hal ini untuk Teknologi Informasi sebesar 9.70%.
menjaga agar hasil mapping data dari dua fungsi
kernel yang berbeda tersebut dapat dihitung tanpa
menggunakan pendekatan, sehingga didapatkan
solusi yang menghasilkan nilai eksak untuk setiap
parameter pada fungsi hyperplane yang dibentuk.
Kemudian untuk melakukan proses seleksi fungsi
kernel tersebut, kami menggunakan identifikasi dari
kesamaan dimensi hasil mapping datanya. Jika
dimensi mapping datanya tidak sama dengan hasil
mapping data kernel lainnya, maka proses additive
tersebut tidak dapat dilakukan. Langkah pertama
dalam metode yang diusulkan ini, sistem melakukan
proses pelatihan setiap data dokumen E-Complaint
dengan menggunakan beberapa kombinasi jenis
kernel serta variasi besarnya rasio data training dan
testing yang telah ditentukan sebelumnya. Langkah
yang kedua yaitu menambahkan dua fungsi kernel
polynomial pada derajat dua dan konstanta yang
dinamis. Kemudian langkah yang terakhir adalah
melakukan proses pengujian terhadap semua data
dokumen pada setiap kombinasi skenario untuk
Gambar 1. Statistik E-Complaint
mendapatkan hasil klasifikasi yang optimal.
2
Cholissodin I., Setiawan B.D., 2013. Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan
Additive Selected Kernel SVM. Seminar Nasional Teknologi Informasi Dan Aplikasinya (SNATIA).
w,
1 2
w C i 1 i
maka nilai pencaran titik datanya menjadi kurang N
(2)
optimal. Rumus ini kami modifikasi dari penelitian 2
untuk yi w xi b 1 i dan i 0 , dimana
sebelumnya, yang menggunakan pendekatan Density
Probabilistic Document Correlation (DPDC) [4].
C > 0 adalah trade off pada constraint. Fungsi kernel
3
pada titik data K(x,z) : Rn x Rn R merupakan hasil Kedua, set i 0 , lalu menghitung matrik Dij
inner produk dari x z . Fungsi mapping data (sebagai matrik Hessian).
x
dan z tersebut sangat sulit sekali untuk
Dij yi y j K xi , x j 2 dan i,j=1,…,N.
ditemukan nilai-nilainya dari dimensi tinggi yang N adalah banyaknya data.
menghasilkan nilai inner produk sama dengan K(x,z). Ketiga, lakukan (a), (b) dan (c) berikut dengan
Karena kesulitan tersebut, maka sistem i=1 sampai N.
mengendalikan secara langsung dari fungsi kernel
Ei j 1 j Dij
N
yang digunakan. Kemudian untuk mendapatkan (a)
i minmax 1 Ei ,i , C i
persamaan hyperplane yang optimal, dapat
digunakan persamaan berikut : (b)
i merupakan variabel tunggal dan bukan
W i 1 i i j yi y j K x, xi
1
bentuk dari perkalian dan i .
N
(3)
2 ij
(c) i i i
0 i C dan i yi 0
N
untuk : (4)
i 1 Kembali ke langkah Ketiga, sampai pada
fungsi keputusannya adalah sign f x , dimana : kondisi IterMax atau max i .
f x i 1 i yi K x, xi b SV i ThresholdSV
m
(5) Support vector,
nilai ThresholdSV ditentukan dari hasil
Perhatikan bahwa Persamaan 3 hanya beberapa kali percobaan. Nilai threshold
membutuhkan akses ke fungsi kernel saja, tanpa tersebut adalah ThresholdSV 0 .
harus melakukan mapping data dengan fungsi . , Selesai.
m adalah banyaknya support vector. Sehingga hal ini
memungkinkan seseorang untuk memecahkan 3 SKENARIO UJI COBA
formulasi dalam ruang fitur yang berdimensi tinggi
dengan sangat efisien, langkah inilah yang disebut Dalam penelitian ini, kami menggunakan
sebagai kernel trik. Untuk kernel linear, kita dapat kernel linear, kernel polynomial degree dan degree
menggunakan fungsi kernel K x, z x z , dan up. Skenario yang digunakan adalah dengan
melakukan proses training dan testing secara
fungsi hyperplane f x w x b , dimana vektor berkesinambungan pada beberapa rasio atau
perbandingan data yang dipilih secara acak. Pada
w i 1 i yi xi
m
w dapat dihitung dengan rumus kernel polynomial tersebut, kami melakukan ujicoba
dengan mengkombinasikan beberapa nilai konstanta
dan b
1
2
w.x w.x . Jika pada kasus non- pada kernel untuk dibandingkan hasil akurasinya.
Berikut detail dari skenario yang digunakan.
linear vektor w dapat dihitung dengan rumus Menggunakan metode sequential SVM untuk
w i 1 i yi xi dan konstanta b dengan melakukan proses training pada titik-titik data
m
dokumen [3].
1 Kombinasi nilai konstanta yang dipilih yaitu
rumus b w. x w x . Khusus [1,1], [1,2], [1,3], [1,4], [1,5], [2,1] dan [2,5].
2 Kombinasi ini digunakan untuk kernel additive
untuk additive selected kernel digunakan rumus yang telah diseleksi.
K x, z i 1 K i ( x, z ) dan f x dapat ditulis
n
Rasio perbandingan data training dan testing
yang digunakan adalah [80:20], [70:30],
sebagai f x w x b . [60:40], [50:50] dan [40:60] dalam satuan
persen (%).
2.6 Sequential Training SVM Kemudian untuk visualisasi data, digunakan
Salah satu metode paling sederhana yang model dua dimensi dan tiga dimensi, hal ini
digunakan untuk mendapatkan garis atau bidang sangat berguna dalam menganalisis mapping
hyperplane yang optimal dalam SVM adalah metode data satu dengan data yang lainnya dalam kelas
sequential yang telah dikembangkan oleh yang sama maupun yang berbeda.
Vijayakumar [3], berikut langkah-langkahnya. Menggunakan kernel polynomial tipe degree
Pertama, inisialisasi nilai parameter yang dan up to degree untuk additive selected kernel,
digunakan. Misal set 5 , 5 (learning karena setelah kami menguraikan beberapa
bentuk dari kernel tersebut, diketahui bahwa
rate), C=1 (variabel slack), IterMax=1000 dan
fungsi kernel polynomial ini masih relatif
0.00000001 (epsilon). mudah untuk ditemukan hasil mapping data
4
Cholissodin I., Setiawan B.D., 2013. Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan
Additive Selected Kernel SVM. Seminar Nasional Teknologi Informasi Dan Aplikasinya (SNATIA).
pada dimensi tinggi dari pada menggunakan keluhan diset ulang untuk kelas pelatihannya pun ini
kernel yang lain. Selain itu dari hasil percobaan sangat memungkinkan, karena ini hanya sebatas
kami pada proses testing menggunakan secara perbedaan persepsi saja dan semuanya memiliki
langsung hasil mapping data dan ternyata dapat argumentasi yang sama-sama benar. Dan justru
lebih mengoptimalkan hasil akurasi jika karena multi persepsi dan sangat sulitnya menyeleksi
dibandingkan dengan menggunakan pendekatan dokumen keluhan ini, apalagi membedakan mana
fungsi kernel secara langsung untuk saja dokumen keluhan yang mengandung kritik tajam
menggantikan hasil mapping data pada dimensi tapi membangun dan sebaliknya. Oleh karena itu,
tinggi yang sulit sekali untuk ditentukan pada permasalahan ini sangat rentan terjadi kesalahan
beberapa kernel lainnya. Artinya bahwa pengklasifikasian jika hanya mengandalkan metode
pendekatan di sini tidak selalu memberikan statistik biasa. Memang dikenyataanya, hasil
solusi eksak, akan tetapi dapat mendekati solusi mapping data keluhan pada koordinat titik data antara
sebenarnya dan memang banyak yang sudah kelas data yang berlabel positif dan negatif pun bisa
menggunakan karena alasan sulit mendapatkan saling overlapping. Untuk itulah algoritma SVM ini
mapping datanya. digunakan, karena memang didalam algoritma
Hasil mapping data dokumen E-Complaint tersebut terdapat kernel trik yang dapat bermanfaat
ini awalnya hanya memanfaatkan fitur frekuensi kata untuk mentransfomasi titik-titik data keluhan yang
yang negatif maupun yang positif, akibatnya banyak tidak dapat dipisahkan secara linear atau bersifat
dari beberapa dokumen tersebut memiliki nilai fitur non-linear dan saling overlapping berdasarkan
yang sama, sehingga hasil visualisasi mapping titik kelasnya masing-masing. Lalu proses
datanya terlihat saling overlap. Untuk mengatasi hal pengklasifikasiannya pun dilakukan pada dimensi
tersebut, kami mengambil langkah penambahan tinggi. Proses transformasi ini dapat memisahkan
faktor density of document (DoD). Asumsinya adalah semua titik koordinat data keluhan pada dimensi
semakin padat kata-kata yang diungkapkan oleh user, tinggi berdasarkan fungsi kernel yang digunakan. Hal
maka akan semakin memperkuat point kritikan yang inilah yang kemudian dapat mempermudah proses
disampaikan. Dan point kritikan ini biasanya klasifikasi dengan tujuan dapat meningkatkan hasil
mengarah kepada dokumen yang bermakna kepada akurasi data ujinya.
penekanan, baik itu kritik positif maupun negatif.
Setelah kami lakukan langkah tersebut, hasil akhir 4 HASIL UJI COBA
dari mapping dokumen menjadi titik data pada
bidang koordinat dua dimensi dapat terpisah dengan Pada uji coba yang pertama, yaitu dengan
jelas dan setiap dokumen memiliki tingkat faktor kombinasi kernel linear dan semua variasi rasio
kepadatan yang unik. Faktor kepadatan dokumen data perbandingan data training dan testing. Hal ini kami
ini kami tambahkan terhadap setiap nilai fitur lakukan untuk menguji apakah metode yang
frekuensi kata positif dan negataif, dengan analogi digunakan tersebut tetap bisa handal pada berbagai
bahwa banyaknya uraian kata-kata dalam dokumen situasi data keluhan. Berikut beberapa hasil proses
keluhan tersebut dapat mendukung secara langsung pelatihan yang didapatkan.
ke dua fitur, yaitu uraian panjang kritikan positif dan
negatif. Berikut rumus faktor kepadatan dokumen
yang digunakan :
Gambar 5. Hasil Training Data Dokumen E- Gambar 7. Hasil Testing Data Dokumen E-
Complaint Dengan SVM Kernel Linear Pada Complaint Dengan SVM Kernel Linear Pada
Rasio [80:20] Rasio [60:40]
6
Cholissodin I., Setiawan B.D., 2013. Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan
Additive Selected Kernel SVM. Seminar Nasional Teknologi Informasi Dan Aplikasinya (SNATIA).
7
Kemudian hasil visualisasi tiga dimensi dapat dilihat
pada Gambar 11 dan Gambar 13. Dari gambar
tersebut dapat dinyatakan bahwa data pada dimensi
tinggi dapat dipisahkan secara linear oleh sebuah
bidang hyperplane yang dibentuk dari transformasi
titik data dari setiap dokumen dengan rumus
w ( x) b 0 yang kemudian kami uraikan
menjadi bentuk persamaan kuadrat jika
diimplementasikan pada bidang dua dimensi. Misal
diketahui vektor w =[w1 w2 w3]t , x=[x1 x2]t dan z=[z1
z2]t. Langkah awal yang perlu dilakukan adalah
mentransformasi data x R 2 X R3 menjadi
berikut :
x12 z12
X 2 x1 x2 dan Z 2 z1 z 2 (8)
2 2 Gambar 12. Hasil Training 2D Data Dokumen E-
x2 z2 Complaint Dengan SVM Kernel Polynomial Pada
Diketahui bahwa X x dan Z z , untuk Rasio [60:40]
Pembuktian untuk menyatakan bahwa nilai Gambar 13. Hasil Training 3D Data Dokumen E-
K ( x, z) x z x z dapat diamati
2 Complaint Dengan SVM Kernel Polynomial Pada
Rasio [60:40]
pada penguraian berikut.
K ( x, z ) x z
2
2
x z
1 1
x2 z 2
x1 z1 x2 z 2
2
x1 z1 2 x1 z1 x2 z 2 x2 z 2
2 2
x1 z1 2 x1 x2 z1 z 2 x2 z 2
2 2
x12 z12
2 x1 x2 2 z1 z 2
2 2
x2 z 2
x z Gambar 14. Hasil Testing 2D Data Dokumen E-
Complaint Dengan SVM Kernel Polynomial Pada
(10)
Rasio [50:50]
8
Cholissodin I., Setiawan B.D., 2013. Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan
Additive Selected Kernel SVM. Seminar Nasional Teknologi Informasi Dan Aplikasinya (SNATIA).
Analisis hasil testing pada ujicoba kedua ini pada tiga dimensi tersebut kita perlu untuk
tidak jauh berbeda dengan ujicoba pertama. Dari menguraikan rumus f x w ( x) b dengan
hasil ujicoba kedua ini menunjukkan bahwa ada yang
pernyataan sesuai teori SVM bahwa hasil
penghitungan nilai data x pada persamaan f x 0
semua data testing-nya terklasifikasi dengan benar
seperti pada Gambar 14, Gambar 15 dan Gambar 16,
dan ada pula yang beberapa datanya masih salah saat jika data x tersebut tepat berada pada garis
diklasifikasi seperti pada Gambar 17 dan Gambar 18. hyperplane. Berikut ini adalah penjabarannya.
Bahkan ada titik data yang tepat berada pada garis w1
hyperplane. Pada kasus ini, kami mengasumsikan
bahwa data tersebut tidak netral, akan tetapi kami f ( x) w2 ( x) b 0
memasukkan dalam kelas positif seperti ditunjukkan w
pada Gambar 19 dan Gambar 20. Berikut ini adalah 3
w1 x1
beberapa tampilan lainnya hasil proses testing setiap 2
titik data pada kernel polynomial.
w2 2 x1 x2 b 0 (11)
w x 2
3 2
w1 x1 2 w2 x1 x2 w3 x2 b 0
2 2
Gambar 15. Hasil Testing 3D Data Dokumen E- untuk mendapatkan nilai x2 adalah sebagai berikut.
Complaint Dengan SVM Kernel Polynomial Pada
Rasio [50:50] b b 2 4ac
x2
2a
2 w2 x1
2
2 w2 x1 4w3 w1 x1 b
2
2w3
(12)
x1 z1 x 2 z 2 c1
2
x1 z1 x 2 z 2
2
2 x1 z1 x 2 z 2 c1 c1
2
x1 z1 2 x1 z1 x 2 z 2 x 2 z 2
2 2
2c1 x1 z1 2c1 x 2 z 2 c1
2
Gambar 18. Hasil Testing 3D Data Dokumen E-
Complaint Dengan SVM Kernel Polynomial Pada
x1 2 z1
2
Rasio [40:60]
Analisis hasil akurasi yang didapatkan pada 2 x1 x 2 2 z1 z 2
skenario kedua ini dapat dilihat pada Gambar 19. 2 2
x2 z2
Pada rasio [80:20] dan [70:30] menunjukkan bahwa
hasil akurasinya 100%, kemudian pada rasio [60:40], 2c1 x1 2c1 z1
[50:50] dan [40:60] mulai terlihat beberapa variasi
nilai akurasinya, yaitu kadang naik dan turun. Akan 2c1 x 2 2c1 z 2
c c1
tetapi hasil akurasi yang didapatkan masih relatif 1
≥ 90%. Salah satu faktor yang mempengaruhi besar
kecilnya nilai akurasi adalah semakin banyaknya data x z
training yang digunakan dalam setiap proses (13)
pengujian. Dari pengujian tersebut didapatkan rasio sehingga didapatkan persamaan berikut,
terbaiknya adalah [80:20] dan [70:30]. Kemudian K additiveSELECTED ( x, z ) K c 1 ( x, z ) K c 2 ( x, z )
untuk rata-rata keseluruhan nilai akurasinya adalah
98.60 %. Nilai rata-rata ini dapat dikatakan masih 1 x 1 z 2 x 2 z
sangat optimal dan layak untuk digunakan sebagai (14)
rekomendasi bahwa sistem yang dibuat tersebut
memiliki tingkat persepsi yang hampir mendekati atau sistem juga dapat menggunakan rumus kernel
dengan analisis persepsi manusia. asli tanpa melakukan proses penguraian mapping dari
titik data yang akan diproses seperti langkah berikut.
K additiveSELECTED ( x, z ) K c 1 ( x, z ) K c 2 ( x, z )
x z c1 x z c 2
2 2
(15)
x1
2
x1
2
2 x1 x2 2 x1 x2
2 2 (16)
x2 x2
Gambar 19. Hasil Akurasi Testing Data Dokumen 2c1 x1 2c2 x1
E-Complaint Dengan SVM Kernel Polynomial
Pada Semua Rasio 2c1 x2 2c 2 x 2
c1 c2
10
Cholissodin I., Setiawan B.D., 2013. Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan
Additive Selected Kernel SVM. Seminar Nasional Teknologi Informasi Dan Aplikasinya (SNATIA).
b
1
2
w. additiveSELECTED xi
(18)
1
2
w. additiveSELECTED xi
Gambar 20. Hasil Training 2D Data Dokumen E- Gambar 23. Hasil Training 2D Data Dokumen E-
Complaint Dengan Additive Selected Kernel SVM Complaint Dengan Additive Selected Kernel SVM
C1=1 C2=1 Pada Rasio [40:60] C1=1 C2=4 Pada Rasio [80:20]
11
Gambar 24. Hasil Training 2D Data Dokumen E- Gambar 26. Hasil Testing 2D Data Dokumen E-
Complaint Dengan Additive Selected Kernel SVM Complaint Dengan Additive Selected Kernel SVM
C1=1 C2=5 Pada Rasio [80:20] C1=1 C2=2 Pada Rasio [40:60]
Gambar 25. Hasil Testing 2D Data Dokumen E- Gambar 28. Hasil Testing 2D Data Dokumen E-
Complaint Dengan Additive Selected Kernel SVM Complaint Dengan Additive Selected Kernel SVM
C1=1 C2=1 Pada Rasio [40:60] C1=1 C2=4 Pada Rasio [80:20]
12
Cholissodin I., Setiawan B.D., 2013. Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan
Additive Selected Kernel SVM. Seminar Nasional Teknologi Informasi Dan Aplikasinya (SNATIA).
6 DAFTAR PUSTAKA
14