RANCANG BANGUN SISTEM INFORMASI AKUNTANSI PENGELOLAAN

PERSEDIAAN BAHAN BAKU

DENGAN MENGGUNAKAN METODE FIRST EXPIRED FIRST OUT

Pedro Iriano1, Nining R2

Prodi Komputerisasi Akuntansi
STMIK IKMI Cirebon

ABSTRAK

Sebuah pendukung keputusan dalam menentukan ketika akan mengunjungi sebuah warung dan
restoran kuliner di Kota Tegal yang sesuai dengan keinginan dan mempunyai pelayanan yang
bagus merupakan sebuah hal yang diinginkan oleh setiap orang sebagai pelanggan. Sentiment
Analysis berbasis text mining digunakan untuk memberikan sebuah solusi terkait dengan
permasalahan tersebut. Tujuan penelitian ini adalah membuat sistem untuk memberikan sebuah
pendukung keputusan dan solusi bagi para penjual warung dan restoran kuliner lokal di kota Tegal
untuk dapat meningkatan nilai jual warung dan restoran sehingga dapat memberikan pelayanan
yang memuaskan. Tujuan yang lainnya adalah menerapkan sebuah model terbaik untuk sentiment
analysis dengan menggunakan machine learning untuk klasifikasi teks pada sistem sehingga
didapatkan model terbaik yang dihasilkan untuk diimplementasikan pada sistem yaitu model
dengan menggunakan algoritma Decision Tree. Ekperimen dilakukan untuk mendapatkan model
yang terbaik dengan menggunakan tools Rapid Miner Studio yang kemudian diimplementasikan
kedalam sebuah aplikasi berbasis web dengan menggunakan bahasa pemrograman PHP. Hasil dari
penelitian menunjukan bahwa tingkat akurasi dari model yang dihasilkan tingkat akurasi model
dengan menggunakan Decision Tree adalah yang terbaik yaitu 74.87%

Kata Kunci: Kuliner, Sentiment analysis, pendukung keputusan, text mining, Decision Tree.

A. PENDAHULUAN tempat terbaik yang direkomendasikan oleh

1.1 Latar Belakang
Salah satu ciri khas yang dimiliki
oleh Indonesia adalah keberagaman akan
makananan kuliner yang dimilikinya, dimana
hampir setiap daerah memiliki ciri khas
makanan kuliner yang berbeda-beda dan hal
ini tentunya menjadikan banyak para
penikmat makanan kuliner yang berasal dari
negara-negara lain maupun Indonesia sendiri
untuk mencari referensi terkait dengan
orang-orang atau pelanggan yang pernah
singgah ditempat tersebut yang menjajakan
makanan kuliner ciri khas pada setiap daerah
di Indonesia. Tempat-tempat yang
direkomendasikan adalah berbagai macam
restoran serta warung-warung kuliner yang
menjual makanan ciri khas daerah tersebut,
salah satunya adalah daerah Kota Tegal. Kota
Tegal merupakan sebuah daerah yang berada
dikawasan wilayah pantura provinsi Jawa
Tengah yang memiliki banyak sekali

1
makanan kuliner yang menjadi ciri khas kota singgah ditempat tersebut pada halaman
ini seperti sate batibul, tahu aci, kupat website maupun media sosial. Melalui
glabed, dan banyak yang lainnya. komentar-komentar dan pendapat orang-
Perkembangan teknologi yang terjadi orang yang pernah merasakan makanan
sekarang sangatlah memungkinkan orang kuliner ditempat yang pernah disinggahi
untuk bisa dengan mudah mendapatkan maka dapat dijadikan sebagai pendukung
sebuah informasi, baik itu dari media sosial, keputusan para pelanggan yang dalam hal ini
website maupun yang lainnya. Salah satu penikmat kuliner untuk datang ketempat
informasi yang bisa didapatkan terkait tersebut serta dijadikan pula sebagai
dengan rekomendasi warung dan restoran pendukung keputusan para pemilik warung
kuliner terbaik di Indonesia disetiap daerah dan restaurant kuliner untuk dijadikan
termasuk di Kota Tegal adalah dengan sebagai acuan tingkat keberhasilan bentuk
membaca komentar-komentar yang ditulis pelayanan terhadap pelanggannya [5],[6].
oleh orang-orang yang terindikasi pernah

Permasalahan yang terjadi adalah membantu dalam menganalisis terkait

terkadang para pelanggan tidak mungkin dengan komentar-komentar tersebut, salah
untuk dapat membaca komentar-komentar satu solusi yang dapat diterapkan adalah
yang terlalu banyak untuk mendapatkan dengan penerapan sentiment analysis.
sebuah keputusan rekomendasi pilihan Sentiment analysis (SA) merupakan
tempat mana yang terbaik, selain itu proses memahami, mengekstrak dan
permasalahanpun terjadi dari pihak mengolah data tekstual secara otomatis
pemilik warung dan restoran kuliner yang untuk mendapatkan informasi sentiment
ingin mandapatkan sebuah data terkait yng terkandung dalam suatu kalimat
dengan komentar-komentar para penikmat opini. SA dilakukan untuk melihat
kuliner terhadap tempatnya untuk dapat pendapat atau kecendrungan opini
menentukan sebuah keputusan apakah terhadap sebuah masalah atau objek oleh
pelayanan yang diberikan sudah sesuai seseorang apakah cenderung
dengan keinginan pelanggan ataukah berpandangan atau beropini positif atau
masih perlu adanya sebuah peningkatan negative. Sesuai dengan kelebihan yang
pelayanan baik itu dari segi rasa makanan, dimiliki oleh SA, berbagai macam
kenyamanan tempat, maupun pelayanan penelitian dan review telah dilakukan
ditempat tersebut. Oleh karena itu mengenai penggunaan SA ini untuk
diperlukan sebuah sistem yang dapat mendapatkan sebuah pendukung

2
keputusan diantaranya mengarah pada a) Para penikmat kuliner dalam hal ini
subjectivity classification, sentiment pelanggan masih kesulitan dalam
classification, review usefulness mencari referensi terkait dengan
measurement, opinion spam detection, warung restoran dan kuliner di Kota
lexicon creation dan aspect extraction [4], Tegal yang memiliki pelayanan
[5]. terbaik dan sesuai dengan
Dalam penerapan Sentiment keinginan.
Analysis terdapat beberapa metode b) Nilai Jual produk local khususnya
machine learning yang sering digunakan, hasil produk kuliner restoran dan
diantaranya adalah Decision Tree warung kuliner Kota Tegal masih
classifier, Support Vector Machines memiliki nilai jual yang rendah
(SVM), Neural Network (NN), Naïve sehingga perlu ada upaya
Bayes (NB), Bayesian Network dan peningkatan.
Maximum Entropy [3]. Pada penelitian c) Masih belum ditemukannya model
yang akan dilakukan ini, proses analisis machine learning untuk model
sentiment dilakukan untuk menganalisis terbaik dengan tingkat akurasi
tingkat kepuasan pelanggan terhadap terbaik pada sentiment analysis
pelayanan warung dan restoran kuliner di klasifikasi tingkat kepuasan
Kota Tegal dengan cara pelanggan restoran dan warung
mengklasifikasikannya antara yang kuliner kota Tegal, sehingga perlu
beropini positif, negative dan netral adanya komparasi model sebelum
dengan menerapkan sebuah machine diimplementasikan pada sebuah
learning sebagai model yang digunakan, aplikasi.
sehingga sistem yang akan dihasilkan
dapat dijadikan sebagai upaya 1.3 Pembatasan Masalah
peningkatan nilai jual produk local kota Pada penelitian agar penelitian yang
Tegal dalam hal ini adalah kuliner kota dilakukan sesuai dengan perencanaan
Tegal. maka terdapat pembatasan masalah,
diantaranya:
1.2 Perumusan Masalah 1. Analisis pencarian untuk penerapan
Berdasarkan latar belakang, maka sebuah model adalah komparasi dari
rumusan masalah pada penelitian ini model machine learning untuk text
diantaranya adalah: mining.

3
2. Objek penelitian dilakukan untuk b. Bagi Pemilik Warung dan
wilayah Kota Tegal dan Restoran Kuliner
Sekitarnya. Pemilik tempat warung dan restoran
kuliner dapat menjadikannya sebagai
1.4 Tujuan Penelitian sistem tolak ukur penilaian terhadap
Tujuan dari penelitian ini diantaranya pelayanan dari pelanggan terhadap
adalah: tempat miliknya sehingga dapat
1. Diperolehnya sebuah model terbaik dijadikan pendukung keputusan
untuk sentiment analysis dengan dalam peningkatan pelayanan dari
menggunakan machine learning pada warung miliknya kepada pelanggan
text mining untuk mengklasifikasi sehingga berpengaruh terhadap nilai
tingkat kepuasan pelanggan terhadap jual dari kulilner yang dijualnya.
warung dan restoran kuliner di Kota
Tegal sebagai upaya peningkatan c. Kontribusi Terhadap Ilmu
nilai jual kuliner produk lokal Kota Pengetahuan
Tegal. Kontribusi yang dihasilkan dari
2. Dibuatnya sebuah aplikasi sentiment penelitian ini adalah adanya sebuah
analysis dengan menrepakan momdel improve pengembangan model
yang telh didapatkan berbasis web sentiment analysis yang dihasilkan
yang akan diintegrasikan pada yaitu diperolehnya sebuah model dari
sebuah sistem informasi machine learning yang diterapkan
pemerintahan terkait. pada analisis tingkat kepuasan
pelanggan terhadap pelayanan warung
1.5 Manfaat Penelitian dan restoran kuliner sehingga
a. Bagi Pelanggan diperolehnya tingkat akurasi yang
Pelanggan atau penikmat kuliner terbaik. Penelitian ini juga diharapkan
dapat menjadikan sistem model yang dapat dijadikan sebagai acuan
dibuat untuk dijadikan sebagai penelitian selanjutnya untuk
pendukung keputusan dalam dikembangkan lebih baik lagi.
memperoleh referensi terkait dengan
tempat warung dan restoran kuliner B. TINJAUAN PUSTAKA
yang pelayanannya memuaskan sesuai
2.1 Tinjauan Pustaka
dengan keinginan di wilayah Kota
Terdapat beberapa penelitian
Tegal.
sebelumnya terkait dengan analisis opini

4
yang dilakukan oleh para peneliti. Kang, sebuah formulasi berbasis XML baru
H.,dkk (2012) melakukan penelitian untuk menandai ekspresi tekstual yang
terkait dengan sentiment analysis yang menyampaikan pendapat tentang objek
digunakan untuk review restoran dengan yang dianggap relevan. Penelitian
menggunakan Senti-lexicon dan algoritma dilakukan dengan menggunakan data yang
Naïve bayes (NB) yang telah di-improved berasal dari website restoran makanan
[2]. Pada penelitian ini diusulkan sebuah spageti yang terdapat review didalamnya.
improved algoritma Naïve Bayes sebagai Pada penelitian yang akan
metode yang digunakan kemudian dilakukan sedikit berbeda dengan apa
hasilnya dikomparasi dengan SVM, dari yang sudah dilakukan oleh beberapa
hasil penelitian menyimpulkan bahwa peneliti sebelumnya, pada penelitian ini
NB-Improved menghasilkan tingkat Machine Learning di terapkan pada
presisi yang lebih baik. sebuah sentiment analysist untuk
Penelitian dilakukan oleh Z. Zhang, digunakan sebagai model klasifikasi 5
dkk (2011) dengan melakukan review tingkat kepuasan pelanggan terhadap
terhadap restoran yang bertuliskan nama pelayanan warung dan restoran kuliner
Canton atau mandarin di internet, pada sehingga didapatkan model terbaik
penelitian ini komparasi antara Support dengan tingkat akurasi tertinggi.
Vector Machine (SVM) dan Naïve Bayes
2.2 Dasar Teori
(NB) untuk melakukan sentiment
3.2.1 Text Mining
classification. Hasil penelitian
Text mining, pada proses mengambil
menunjukan bahwa NB lebih baik
informasi dari teks. Informasi biasanya
dibandingkan dengan SVM [6]. Penelitian
diperoleh melalui peramalan pola dan
selanjutnya dilakukan oleh Di Caro, L.
kecenderungan pembelajaran pola
dan Grella, M. (2013), dalam penelitian
statistik. Text mining yaitu parsing,
ini sentiment analysis dilakukan dengan
bersama dengan penambahan beberapa
melalui dependency parsing. Hasil
fitur linguistik turunan dan penghilangan
ekperimen yang telah dilakukan kemudian
beberapa diantaranya, dan penyisipan
hasilnya dievaluasi menggunakan sebuah
subsequent ke dalam database,
dataset review restoran [1].
menentukan poladalam data terstruktur,
Robaldo, L. & Di Caro, L (2013)
dan akhirnya mengevaluasi dan
[7], melakukan penelitian terkait dengan
menginterpretasi output, text mining
opinion mining. Pada penelitian ini
biasanya mengacu ke beberapa kombinasi
mengusulkan OpnionMining –ML, yaitu

5
relevansi, kebaruan, dan interestingness. menentukan elemen dari sebuah produk
Proses text mining yang khas meliputi yang sedang dibicarakan sebelum
kategorisasi teks, text clustering, ekstraksi memulai proses opinion mining
onsep/entitas, produksi taksonomi (Tang,D.,dkk.,2015) [9].
granular, sentiment analysis, penyimpulan
dokumen, dan pemodelan relasi entitas C. METODE PENELITIAN
yaitu, pembelajaran hubungan antara
entitas (Bridge, 2011) [8]. 3.1 Alat dan Bahan Penelitian
3.2.1 Alat Penelitian
3.2.1 Sentiment Analysis Tools yang digunakan untuk melakukan
Tugas dasar dalam analisis sentimen analisis data dan ekperimen terhadap
adalah mengelompokkan polaritas dari model yang dihasilkan adalah dengan
teks yang ada dalam dokumen, kalimat, menggunakan software Rapid Miner
atau fitur/tingkat aspek –apakah pendapat Studio. Untuk pengembangan sistem
yang dikemukakan dalam dokumen, menggunakan Framework CodeIgnaiter
kalimat atau fitur entitas/aspek Ekspresi (CI) untuk implementasi pembuatan
atau sentiment mengacu pada fokus topik aplikasi.
tertentu, pernyataan pada satu topik
mungkin akan berbeda makna dengan 3.2.2 Bahan Penelitian
pernyataan yang sama pada subject yang Bahan penelitian yang digunakan adalah
berbeda. Sebagai contoh, adalah hal yang data primer yang diambil dari situs
baik untuk mengatakan alur film tidak www.tripadvisor.co.id berupa data teks
terprediksi, tapi adalah hal yang tidak baik yang berisi komentar-komentar
jika ‘tidak terprediksi’ dinyatakan pada pengunjung web terhadap warung dan
kemudi dari kendaraan. Bahkan pada restoran kuliner di kota Tegal tahun 2016
produk tertentu, kata-kata yang sama s.d 2017.
dapat menggambarkan makna kebalikan,
contoh adalah hal yang buruk untuk 3.2 Prosedur Penelitian
waktu start-up pada kamera digital jika 3.3.1 Ekperimen Pencarian
dinyatakan “lama”, namun jika ”lama” Model Terbaik
dinyatakan pada usia baterai maka akan Pada gambar 3.1, kegiatan tahapan-
menjadi hal positif. Oleh karena itu pada tahapan penelitian yang akan dilakukan
beberapa penelitian, terutama pada review adalah sebagai berikut:
produk, pekerjaan didahului dengan a. Pengumpulan Data penelitian

6
 Data penelitian yang digunakan karena teks tersebut dianggap tidak
adalah data primer yang diambil dapat mewakili konten isi dokumen.
dari situs www.tripadvisor.co.id 3) Stemming: yaitu proses pengubahan
berupa data teks yang berisi teks menjadi bentuk kata dasarnya
komentar-komentar pengunjung yang disebut dengan Term, kemudian
web terhadap warung dan restoran nantinya setiap term tersebut akan
kuliner di kota Tegal antara tahun didaftar dan diberikan nilai bobot.
2017 s.d 2018. 4) Pembobotan: yaitu proses
pembobotan setiap term yang
b. Tools Yang Digunakan dilakukan dengan metode TF-IDF
Tools yang digunakan untuk (Term Frequency – Inverse
melakukan analisis data dan Document Frequency). TF-IDF
ekperimen terhadp model yang merupakan p embobotan term dengan
dihasilkan adalah dengan menggunakan term frequency
menggunakan software Rapid (jumlah term yang terdapat pada
Miner Studio. setiap dokumen) serta inverse
document frequency (invers jumlah
c. Preprocessing Data dokumen yang memuat suatu term).
Tahapan ini adalah tahapan yang
dilakukan sebelum dataset d. Penentuan data Training dan
dimasukan kedalm model yang Testing
akan dihasilkan sehingga data yang Pada tahapan ini adalah
masuk merupakan data yang sesuai dilakukannya pembagian dataset
dengan model yang akan yang akan digunakan, dataset
dihasilkan. Adapun tahapan dalam dibagi menjadi dua bagian yaitu
proses ini diantaranya adalah: dataset untuk data training dan
1) Tokenizer: yaitu proses yang dataset untuk testing. Dataset yang
bertujuan untuk memisahkan teks digunakan dari jumlah keseluruhan
menjadi beberapa token berdasarkan di split menjadi 70% data training
pembtas berupa spasi atau tanda dan 30% data testing.
baca.
2) Stopword: yaitu proses menghilangka e. Validasi dan Evaluasi Sistem
teks yang bersesuaian dengn teks Pada tahapan ini dilakukan untuk
yang terdapat pada daftar stopword, mengetahui model yang diusulkan

7
 sesuai dengan yang diharapkan maka
dilakukan prose validasi, validasi model
pada penelitian ini menggunakan Cross
K-Fold Validation untuk mengetahui
nilai akurasi yang dihasilkan. Setelah
didapatkan nilai akurasi yang
diharapkan maka dilakukan evaluasi Berdasarkan tabel 4.1
yaitu dengan cara membandingkan diperlihatkan bahwa tingkat akurasi
tingkat akurasi yang dihasilkan oleh teringgi SVM dengan K-Fold
model lain yaitu SVM ,Naïve Bayes Validation=10 menggunakan linear
dan Neural Network sampling adalah 68.46% dengan
emnggunakan kernel radial. Adapun
D. HASIL DAN PEMBAHASAN tingkat akurasi dengan menggunakan
shuffled sampling tingkat akurasi tertinggi
4.1. Hasil Penelitian adalah 69,29% dengn menggunakan
4.1.1 Support Vector Machine kernel dot. Tingkat akurasi tertinggi
Pada proses ekperimen yang dihasilkan dengan menggunakan stratified
dilakukan pada model menggunakan sampling dan kernel dot yaitu 69,36%.
sistem operasi Windows 7 SP1, processor Eksperimen dilakukan dengan
Intel Core i5 dan memory RAM 2GB. menggunakan K-Fold =5, tingkat akurasi
Pada hasil ekperimen menghasilkan yang didapatkan dengan menggunakan
model dengan tingkat akurasi yang model SVM adalah seperti pada tabel
berbeda, hal ini dikarenakan setting 4.2. Tingkat akurasi yang didapatkan
parameter SVM yang berbeda. Hasil adalah dengan menggunakan linear
yang didapatkan dengan menggunakan sampling tingkat akursi yang paling
algoritma SVM dan dengan validasi K- tinggi adalah 68.46 dengan kernel radial,
Fold Validation = 10 dan hasilnya hampir sama dengan yang
didapatkan dengan menggunakan
Tabel 4.1. Hasil Ekperimen SVM stratified sampling dan kernel radial
menggunakan K-Fold=10 sebesar 68.59. Untuk tingkat akurasi
terbaik adalah dengan menggunakan
suffled sampling dan kernel dot yaitu
sebesar 69,17%.

8
 Tabel 4.2. Hasil Ekperimen SVM
menggunakan K-Fold=5
Decision Tree untuk parameter yang
terbaik adalah dengan menggunakan
criterion=gini_index.
Tabel 4.4. Hasil Ekperimen Decision
Tree menggunakan K-Fold=5

4.1.2 Decision Tree

Ekperimen selnjutnya dilakukan
dengan menerapkan model Decision
Tree, pada model ini dilakukan
pengaturan parameter-parameter yang 4.1.3 Naïve bayes
digunakan. Berdasarkan hasil ekperimen Ekperimen dengan menggunakan
didapatkan hasil seperti pada tabel 4.3 model Naïve Bayes menghasilkan tingkat
dan tabel 4.4. Hasil ekperimen akurasi yang beragam, pada tabel 4.5
menunjukan pada model Decision Tree menunjukan bahawa tingkat akurasi
yang menggunakan K-Fold=10 terbaik dihasilkan dengan menggunakan
mendapatkan tingkat akurasi tertinggi Statified sampling dan k-Fold=5, dengan
74.87%. Berbeda dengan yang dihasilkan tingkat kaursi sebesar 73,26 lebih tinggi
dengan menggunakan K-Fold=5 dibandingan dengan menggunakan k-
menghasilkan tingkat akurasi sebesar Fold=10.
73,29%.
Tabel 4.5. Hasil Ekperimen Naïve Bayes
Tabel 4.3. Hasil Ekperimen Decision menggunakan K-Fold=5
Tree menggunakan K-Fold=10

Pada Tabel 4.3 memperlihatkan

bahwa model dengan menggunakan
Naïve bayes
Accuracy

9
Sampling Type k-Fold 10 k-Fold 5
55.64% +/- 50.31% +/-
linear sampling 34.77% 26.31%
Shuffled 67.76% +/- 70.80% +/-
sampling 12.44% 6.65%
Statified 68.72% +/- 73.26% +/-

1
sampling 13.42% 8.01%

4.2. Pembahasan
Dari Hasil ekperimen yang telah
dilakukan dengan menggunakan
beberapa model yang digunakan, maka
untuk mengukur tingkat akurasi yang
terbaik evluasi dilakukan dengan cara
melakukan komparasi hasil dari model
yang digunakan. Komparasi dilakukan
dengan membandingkan hasil model
yaitu SVM, Decision Tree dan Naïve Gambar 4.1 Hasil Evaluasi Machine
Bayes. Hasil Evaluasi diperlihatkan Learning
seperti pada tabel 4.5, dimana hasilnya
menunjukan bahwa terdapat perbedaaan Berdasarkan pada gambar 4.1
tingkat akurasi yang dihasilkan. diperlihatkan bahawa tingkat akursi
model machine learning yang diusulkan
Tabel 4.5. Evaluasi model adalah model Decision Tree dengan
Machine Learning tingkat kurasi sebesar 74.87%
Machine Accuracy menggunakan k-Fold=10. Dari hasil
Learning k-Fold 10 k-Fold 5 ekperimen model terbaik dengan tingkat
SVM 69.36% 69.17% akurasi yang tertinggi diperlihatkan pada
Decision Tree 74.87% 73.29% gambar 4.2.
Naïve Bayes 68.72% 73.26%

Gambar 4.2 Model Terbaik Decision

Tree

1
 Naïve Bayes algorithms for
E. KESIMPULAN DAN SARAN sentiment analysis of restaurant
reviews. Expert Systems with
5.1. Kesimpulan Applications, 39(5), pp.6000-6010.
Model terbaik sentiment analysis [3] Medhat, W., Hassan, A. and
menggunakan machine learning untuk Korashy, H., 2014. Sentiment
mengklasifikasi tingkat kepuasan analysis algorithms and
pelanggan terhadap warung dan restoran applications: A survey. Ain Shams
kuliner di Kota Tegal berbasis text mining Engineering Journal, 5(4),
menghasilkan sebuah model dengan pp.1093-1113.
tingkat akurasi yang baik. Tingkat [4] Ravi, K. and Ravi, V., 2015. A
Akurasi Model dengan menggunakan survey on opinion mining and
Decision Tree adalah yang terbaik yaitu sentiment analysis: tasks,
74.87% approaches and applications.
Knowledge-Based Systems, 89,
5.2. Saran pp.14-46.
Perlu adanya pengembangan eksperimen [5] Reyes, A. and Rosso, P., 2012.
lanjutan dalam proses pencarian model Making objective decisions from
dengan tingkat akurasi lebih tinggi subjective data: Detecting irony in
sehingga diharapkan nantinya didapatkan customer reviews. Decision
model yang paling terbaik dalam Support Systems, 53(4), pp.754-
klasifikasi tingkat kepuasan pelanggan 760.
terhadap warung dan restoran kuliner di
[6] Zhang, Z., Ye, Q., Zhang, Z. and
Kota Tegal sebagai upaya peningkatan
Li, Y., 2011. Sentiment
nilai jual kuliner produk lokal Kota Tegal.
classification of Internet restaurant
reviews written in Cantonese.
DAFTAR PUSTAKA
Expert Systems with Applications,
38(6), pp.7674-7682.
[1] Di Caro, L. and Grella, M., 2013.
[7] Robaldo, L. and Di Caro, L., 2013.
Sentiment analysis via dependency
Opinionmining-ml. Computer
parsing. Computer Standards &
Standards & Interfaces, 35(5),
Interfaces, 35(5), pp.442-453.
pp.454-469.
[2] Kang, H., Yoo, S.J. and Han, D.,
2012. Senti-lexicon and improved

1
[8] Aggarwal, C.C. and Wang, H., [9] Tang, D., Qin, B., & Liu, T. (2015).
2011. Text mining in social Document modeling with gated
networks. In Social network data recurrent neural network for
analytics (pp. 353-378). Springer, sentiment classification. In
Boston, MA. Proceedings of the 2015 conference
on empirical methods in natural
language processing (pp. 1422-
1432)