Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Diterima 4 Desember 2019, diterima 22 Desember 2019, tanggal publikasi 30 Desember 2019, tanggal versi saat ini 7 Januari 2020.
Pengenal Objek Digital 10.1109/ACCESS.2019.2963020

Teknik Kategorisasi Polaritas Sentimen untuk

Ulasan Produk Online
SAMINA KAUSAR1,2, XU HUAHU1, WAQAS AHMAD2, MUHAMMAD YASIR SHABIR2, DAN
WAQAS AHMAD3
1Sekolah Teknik Komputer dan Sains, Universitas Shanghai, Shanghai 200444, Cina
2Departemen CS & TI, Universitas Kotli Azad Jammu dan Kashmir, Kotli 11100, Pakistan
3Sekolah Tinggi Ilmu Pengetahuan dan Teknologi Informasi, Universitas Normal Beijing, Beijing 100875, Tiongkok

Penulis korespondensi: Muhammad Yasir Shabir ( yasir.shabir14@gmail.com )

Pekerjaan ini didukung sebagian oleh National Science Foundation of China di bawah Grant 61572434 dan Grant 91630206, dan sebagian
oleh Komite Sains dan Teknologi Shanghai di bawah Grant 16DZ2293600.

ABSTRAKAnalisis sentimen juga dikenal sebagai opinion mining yang menunjukkan pendapat dan emosi masyarakat tentang produk atau layanan tertentu. Masalah utama dalam

analisis sentimen adalah kategorisasi polaritas sentimen yang menentukan apakah sebuah ulasan positif, negatif atau netral. Studi sebelumnya mengusulkan teknik yang berbeda,

tetapi masih ada beberapa kesenjangan penelitian, i) beberapa studi hanya memasukkan 3 kelas sentimen: positif, netral dan negatif, tetapi tidak satupun dari mereka dianggap

lebih dari 3 kelas ii) fitur polaritas sentimen dipertimbangkan secara individual tetapi tidak satupun dari mereka dipertimbangkan secara individual dan gabungan iii) Tidak ada teknik

sebelumnya yang mempertimbangkan lima kelas sentimen dengan 3 fitur polaritas sentimen seperti kata kerja, kata keterangan, kata sifat dan kombinasinya. Dalam studi ini, kami

mengusulkan teknik kategorisasi polaritas sentimen untuk kumpulan data besar ulasan online Video Instan. Kumpulan data komprehensif yang terdiri dari lima ratus ribu ulasan

online digunakan dalam penelitian kami. Ada lima kelas (Sangat Negatif, Negatif, Netral, Positif dan Sangat Positif). Kami juga mempertimbangkan tiga fitur polaritas Verb, Adverb,

Adjective dan kombinasinya dengan pengertian yang berbeda dalam kategorisasi tingkat ulasan. Eksperimen kami untuk kategorisasi tingkat ulasan menunjukkan hasil yang

menjanjikan karena akurasi hasil kami adalah 81 persen yang 3 persen lebih baik daripada banyak teknik sebelumnya yang akurasi rata-ratanya adalah 78 persen. Negatif, Netral,

Positif dan Sangat Positif). Kami juga mempertimbangkan tiga fitur polaritas Verb, Adverb, Adjective dan kombinasinya dengan pengertian yang berbeda dalam kategorisasi tingkat

ulasan. Eksperimen kami untuk kategorisasi tingkat ulasan menunjukkan hasil yang menjanjikan karena akurasi hasil kami adalah 81 persen yang 3 persen lebih baik daripada

banyak teknik sebelumnya yang akurasi rata-ratanya adalah 78 persen. Negatif, Netral, Positif dan Sangat Positif). Kami juga mempertimbangkan tiga fitur polaritas Verb, Adverb,

Adjective dan kombinasinya dengan pengertian yang berbeda dalam kategorisasi tingkat ulasan. Eksperimen kami untuk kategorisasi tingkat ulasan menunjukkan hasil yang

menjanjikan karena akurasi hasil kami adalah 81 persen yang 3 persen lebih baik daripada banyak teknik sebelumnya yang akurasi rata-ratanya adalah 78 persen.

PERSYARATAN INDEKSSentimen, penggalian opini, media sosial, pemrosesan bahasa alami.

I. PENDAHULUAN
Pentingnya sentimen pengguna telah disadari oleh sektor bisnis
dalam dekade terakhir. Sejak itu platform media sosial dan situs web
lain digunakan untuk mengekstrak opini pengguna tentang produk.
Fenomena seperti ini disebut analisis sentimen atau opinion mining.
Opinion mining adalah mengidentifikasi, mengekstraksi, dan
memahami sikap atau pendapat pengguna dengan menganalisis
teks. Proses ini biasanya melibatkan pemrosesan bahasa alami,
analisis statistik, dan teknik pembelajaran mesin untuk analisis
sentimen. Berbagai nama lain juga digunakan antara lain review
mining, analisis emosional, ekstraksi opini, dan analisis subjektivitas
[1]. Analisis sentimen telah didefinisikan oleh Smith [2] sebagai,
''Analisis Sentimen adalah evaluasi komputasi dokumen untuk
menentukan
Editor asosiasi yang mengoordinasikan tinjauan naskah ini dan
menyetujuinya untuk diterbitkan adalah Seok-Bum Ko.
emosi halus yang diekspresikan.'' Analisis sentimen adalah studi tentang
pendapat orang tentang produk tertentu, orang, teks, dll. Pendapat
mereka yang menggambarkan suasana hati mereka untuk entitas
tertentu apakah kita suka atau tidak. Ini adalah proses komputasi
mengidentifikasi dan mengkategorikan pendapat yang diberikan dalam
ulasan untuk menentukan apakah itu positif, negatif atau netral. Saat ini
internet menyediakan banyak platform yang berbeda bagi pengguna
untuk berbagi sentimen mereka dalam bentuk tekstual untuk produk
yang berbeda. Banyak organisasi besar dapat meningkatkan pendapatan
jika mereka memperhatikan apa yang dikatakan orang tentang produk
mereka karena orang adalah penilaian terbaik. Berdasarkan ulasan,
organisasi besar dapat meningkatkan produk mereka sesuai dengan
kebutuhan pelanggan. Jadi, karena sangat dibutuhkan menjadi
tantangan paling penting di era saat ini untuk NLP (Natural language
processing). Oleh karena itu untuk ekstraksi informasi subjektif dari
bahan sumber seperti ulasan produk, teknik analisis sentimen banyak
digunakan.

Karya ini dilisensikan di bawah Lisensi Creative Commons Attribution 4.0. Untuk informasi lebih lanjut, lihat http://creativecommons.org/licenses/by/4.0/
3594 JILID 8, 2020
S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online
A. ANALISIS TINGKAT SENTIMEN YANG BERBEDA
Analisis sentimen dilakukan pada tiga level yaitu, a) level dokumen,
b) level kalimat dan level frase [3]. Analisis sentimen level dokumen
berfokus pada pengklasifikasian seluruh dokumen sebagai positif
atau negatif. Dalam klasifikasi tingkat dokumen, tinjauan tunggal
dari satu topik dipertimbangkan. Tetapi dalam kasus forum dan
blog, kalimat perbandingan mungkin muncul. Ada dua jenis metode
yang digunakan dalam analisis sentimen tingkat dokumen, i) satu
adalah pembelajaran terawasi dan lainnya adalah ii) metode
pembelajaran tanpa pengawasan. Dalam metode pembelajaran
terawasi, algoritma tradisional seperti nave Bayesian dan Support
Vector Machine dapat digunakan untuk melatih sistem. Untuk
melatih dan menguji data, peringkat ulasan (1-5 bintang) dapat
digunakan. Sementara dalam metode pembelajaran tanpa
pengawasan kami hanya mengekstrak kata-kata di dalam dokumen.
Orang membandingkan satu produk dengan produk serupa lainnya
dan karenanya analisis sentimen tingkat dokumen tidak efisien di
forum dan blog. Persoalan utamanya adalah tidak semua kalimat
dalam sebuah dokumen memiliki relevansi dalam mengungkapkan
opini tentang suatu entitas. Oleh karena itu, klasifikasi subjektivitas
dan objektivitas sangat penting dalam klasifikasi jenis ini [4].
Dalam analisis sentimen tingkat kalimat, polaritas setiap
kalimat dihitung dalam [5], [6]. Metode klasifikasi tingkat
dokumen yang sama dapat diterapkan pada masalah
klasifikasi tingkat kalimat. Ini membantu untuk mengetahui
kalimat objektif dan subjektif. Kalimat subjektif berisi kata-
kata opini yang membantu dalam menentukan sentimen
tentang suatu entitas setelah klasifikasi polaritas dilakukan
ke dalam kelas positif dan negatif [7].
Klasifikasi sentimen tingkat frase adalah pendekatan yang
lebih spesifik untuk penambangan opini. Frase yang
mengandung kata opini ditemukan dan klasifikasi tingkat frase
dilakukan. Klasifikasi ini dapat memiliki kelebihan dan
kekurangan. Dalam beberapa kasus, pendapat yang tepat dari
suatu entitas dapat diekstraksi dengan benar (keuntungan).
Dalam kasus lain di mana polaritas kontekstual penting,
hasilnya mungkin tidak akurat (kerugian) [8].
B. TUJUAN PENELITIAN
Melakukan analisis sentimen pada ulasan produk, ulasan ini
mewakili pendapat pengguna untuk produk tertentu. Pengguna
normal suatu produk memposting ulasan mereka dalam bentuk teks
pendek biasanya berisi beberapa kalimat. Kalimat-kalimat ini terdiri
dari beberapa kata penting. Seperti yang kita ketahui bahwa dalam
part of speech bahasa Inggris, sebuah kata dapat memiliki arti yang
berbeda tergantung pada struktur kalimatnya. Mengidentifikasi
bagian-bagian dari pidato yang dapat menyajikan arti sebenarnya
dari kalimat adalah tugas yang menantang. Part of speech
digunakan untuk memperkirakan sentimen dari komentar
pengguna. Kata keterangan adalah bagian penting dari setiap
kalimat dan karenanya perlu dianalisis perannya dalam menentukan
sentimen pengguna yang sebenarnya. Berbagai jenis kata
keterangan harus diidentifikasi dan dianalisis untuk menentukan
sentimen kalimat.
JILID 8, 2020
pengguna meninjau kumpulan data dan kemudian memperkirakan pentingnya
mereka dalam klasifikasi otomatis ulasan dalam tiga kelas sentimen yaitu
positif, negatif atau netral. Untuk klasifikasi otomatis pengklasifikasi yang
berbeda telah digunakan dalam komunitas penelitian. Masih belum ditentukan
pengklasifikasi mana yang terbaik untuk mengklasifikasikan ulasan ke dalam
kelas berdasarkan fitur kata keterangan. Pengklasifikasi bekerja pada
beberapa set fitur. Dalam studi ini kami mengeksplorasi beberapa fitur yang
sangat penting dalam konten (teks) ulasan. Fitur-fitur ini adalah kata
keterangan. Kami mengeksplorasi berbagai jenis kata kerja yang dapat
digunakan untuk mengklasifikasikan ulasan ke dalam kelas positif atau negatif.
Dalam hal pengklasifikasi, kami tertarik untuk menentukan
kinerja pengklasifikasi berbeda yang digunakan oleh komunitas riset
untuk klasifikasi. Kami menyelidiki bagaimana pengklasifikasi ini
bekerja pada set fitur yang diekstraksi dan yang mana dari mereka
yang mencapai kinerja tinggi.
C. PERNYATAAN MASALAH
Peneliti sebelumnya mengusulkan metode luar biasa untuk
menentukan polaritas teks. Biasanya mereka mengklasifikasikan
teks menjadi tiga kelas polaritas yaitu Positif, Negatif dan Netral di
mana kelas positif berisi dokumen-dokumen yang menggunakan
bahasa positif, sedangkan kelas negatif berisi dokumen-dokumen di
mana pengguna memiliki pengalaman buruk dengan produk dan
akhirnya kelas netral menyajikan dokumen-dokumen itu yang tidak
positif maupun negatif. Dalam penelitian ini kami memperkenalkan
lima kelas polaritas: Sangat negatif, Negatif, Netral, Positif, dan
Sangat Positif. Selain itu, ada juga kebutuhan untuk menyelidiki
bagaimana bagian-bagian ucapan seperti kata keterangan dapat
digunakan untuk menetapkan polaritas pada teks. Untuk tujuan
seperti itu, kami menggunakan ulasan produk alih-alih tweet twitter
yang panjangnya pendek.
D. PERTANYAAN PENELITIAN
Pertanyaan penelitian berikut telah diidentifikasi selama
tinjauan pustaka;
RQ1.Apa dampak part of speech (kata keterangan) pada
analisis sentimen pada ulasan produk?
RQ2.Apa dampak dari kombinasi yang berbeda dari kata
keterangan pada klasifikasi?
RQ3.Apa pengklasifikasi terbaik untuk klasifikasi ulasan
produk?
E. METODOLOGI PENELITIAN
Metodologi penelitian kami telah disajikan pada Gambar1. Pertama kami
memilih analisis sentimen sebagai domain penelitian dari penelitian ini.
Setelah memilih domain penelitian, kami melakukan tinjauan literatur
ekstensif dari domain penelitian. Setelah tahap tinjauan pustaka, kami
mengidentifikasi beberapa pertanyaan penelitian yang kami anggap
perlu dijawab. Kemudian kami mengusulkan metodologi yang menjawab
pertanyaan penelitian kami. Kami menerapkan metodologi kami dan
melakukan eksperimen untuk menjawab pertanyaan penelitian kami
yang teridentifikasi selama tinjauan pustaka. Setelah menyelesaikan
percobaan kami, kami telah mengevaluasi hasil kami.
3595
 S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online
GAMBAR 1.Pendekatan analisis sentimen.
II. TINJAUAN LITERATUR
Teknik yang tersedia untuk melakukan analisis sentimen dapat
diklasifikasikan ke dalam tiga kategori utama. Seperti (a) pendekatan
berbasis pengetahuan, (b) teknik berbasis statistik dan (c) metode
hybrid, teknik atau metode hybrid merupakan kombinasi dari dua
pendekatan sebelumnya. Pendekatan berbasis Pengetahuan
Leksikal biasanya berfokus pada kata-kata univokal seperti senang,
sedih, takut, dll., sedangkan metode statistik menggunakan teknik
otomatis untuk menilai sentimen berdasarkan analisis pembelajaran
mesin dan pendekatan hibrida menggunakan kedua teknik secara
kolektif untuk menganalisis hasil ulasan yang tidak dinyatakan
dengan jelas tetapi memiliki beberapa hubungan dengan produk.
Beberapa penelitian sangat terkait dengan pendekatan kami seperti
Fang dan Zhan [9], mengusulkan sebuah proses yang digunakan untuk
mengkategorikan polaritas berdasarkan part of speech (POS).
Pendekatan lain yang dikemukakan oleh Hu dan Liu [10] memberikan
daftar kata-kata yang berbeda (yaitu kata-kata Positif dan Negatif). Daftar
kata-kata yang diusulkan masing-masing terdiri dari tahun 2006 positif
dan 4783 kata-kata negatif. Kata-kata ini didasarkan pada ulasan online
yang digunakan untuk mengekstrak subyektif
informasi untuk penelitian ini. Selain itu, dalam teknik teks berpose
kategorisasi pro, Pang dan Lee [11], propo menghapus sed bagaimana caranya
kalimat objektif dengan mengekstrak subjek karena terutamayang aktif
kita harus fokus pada konten subjektif dan tidak membuang dan harus
waktu untuk materi yang tidak relevan.
Dalam teknik lain yang diusulkan oleh Gann dan Hari (12),
penulis menerapkan pendekatan berbasis token pada t data witter
karena mereka menetapkan skor sentimental tertentu ery token
untuk ev yang digunakan untuk menganalisis apakah n pendapat
suatu positif, negatif atau netral. Beberapa teknologi lainbarang bekas adalah
juga berguna seperti pemodelan topik [13] di mana t dia penulis
mengusulkan proses mengidentifikasi secara otomatis th e fitur
atau aspek suatu produk. Mempersempit komunitas risetion, dalam
opini beberapa pendekatan telah diajukan
3596
pada analisis sentimen situs micro blogging seperti twitter. Das
dan Chen [14], mempresentasikan pendekatan untuk
mengekstraksi sentimen dari papan pesan saham di mana
penulis menyarankan bahwa aktivitas pasar dapat berpengaruh
pada sentimen investor median dan kisaran kecil. Studi lain
yang dilakukan oleh Nasukawa dan Yi [15], berfokus pada aspek
subject centric dari analisis sentimen. Teknik yang diusulkan
mengembangkan mekanisme yang menentukan skor polaritas
(yaitu skor sentimen negatif dan positif) yang terkait dengan
subjek tertentu daripada menentukan atau menghitung
sentimen untuk dokumen lengkap. Teknik yang diusulkan telah
dievaluasi menggunakan kumpulan data dari domain yang
berbeda, seperti berita dan halaman web lainnya. Teknik yang
diusulkan mencapai skor presisi keseluruhan 75 hingga 76
persen, tergantung pada berbagai jenis dataset yang digunakan
dalam evaluasi. Teknik pemrosesan bahasa alami telah
digunakan untuk melakukan analisis sentimen. Secara
konvensional, analisis sentimen dapat dilakukan dengan
menggunakan tiga jenis pendekatan utama, pendekatan
tersebut adalah a) Pendekatan pembelajaran mesin, b)
Pendekatan berbasis leksikon dan c) Pendekatan hybrid [16].
R.Xia.dkk.[17], mengembangkan teknik hibrida untuk analisis
sentimen. Teknik yang diusulkan menggabungkan pendekatan
berbasis leksikon dan pembelajaran mesin untuk analisis sentimen.
POS bersama dengan fitur terkait dan terkait kata dipilih dari
leksikon dan kemudian pengklasifikasi pembelajaran mesin (yaitu
Naiv Bayes, ME dan SVM) diterapkan untuk menentukan sentimen
kata. Untuk mencapai hasil klasifikasi yang lebih baik, percobaan
dilakukan pada dataset menggunakan kombinasi yang berbeda,
seperti pembobotan tetap, pengklasifikasi meta dan teknik
kombinasi ensemble. Beberapa variasi Naive Bayes disajikan oleh
Gamallodkk.[18], berbagai variasi pengklasifikasi Naive Bayes
diterapkan untuk mengklasifikasikan opini ke dalam kelas yang
berbeda. Fitur seperti Valence Shifters, Polarity Lexicon, Lemmas
dan Multiword digunakan dalam eksperimen. Nandi dan Agrawal
[19], mempresentasikan teknik hybrid berlapis untuk analisis
sentimen. Pendekatan yang diusulkan memiliki dua lapisan; lapisan
pertama adalah pendekatan berbasis leksikon sedangkan lapisan
kedua adalah pendekatan pembelajaran mesin. Pengklasifikasi
pembelajaran mesin digunakan untuk mengklasifikasikan sentimen
opini ke dalam kelas yang berbeda, seperti kelas positif, negatif, dan
netral. Rajganeshdkk.[20], menyajikan pendekatan hibrida untuk
analisis sentimen. Pendekatannya adalah sistem rekomendasi
berbasis umpan balik yang menggunakan analisis sentimen.
AKU AKU AKU. METODOLOGI YANG DIUSULKAN
A. PENGUMPULAN DATA
Dataset yang digunakan dalam penelitian ini sedang di-crawl
menggunakan python crawler. Perayap kumpulan data mengambil
ulasan dari dua produk yang sifatnya berbeda. Oleh karena itu,
dataset yang telah di-crawl berisi review dari dua produk.
Pertama adalah produk perkantoran yang meliputi Microsoft
Word, Microsoft PowerPoint, Microsoft Excel dan Microsoft
Access Database. Produk lainnya adalah DVD musik yang berisi
dua album utama yaitu pop track dan slow track.
JILID 8, 2020
S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online
GAMBAR 2.Metodologi yang diusulkan.
B. PEMROSESAN PRA
Pada langkah pra-pemrosesan, pada fase pertama batas kalimat
akan ditentukan dan setelah memverifikasi batas kalimat, fase
selanjutnya adalah tokenize teks menjadi kata-kata tunggal.
Langkah pra-pemrosesan juga mencakup penghapusan kata
henti, spasi, tag baris baru, tag html, emosi, dan simbol khusus.
C. PENGHAPIAN STOP WORDS
Stopword biasanya merupakan kata tambahan yang tidak diperlukan untuk
kategorisasi polaritas sentimen. Kami menghapus semua kata berhenti di
kumpulan data kami yang bermanfaat untuk akurasi yang lebih baik.
D. TOKENISASI
Kami menetapkan setiap kata dengan token dan berdasarkan token itu
kami mendapatkan skor kata dari perpustakaan Senti Word Net.
E. STEMMING
Kami melakukan stemming dari kumpulan data lengkap untuk
memastikan bahwa kata-kata identik dalam ulasan harus dihapus
karena ini tidak menyebabkan pengulangan kata-kata yang identik.
F. BAGIAN DARI SPEED TAGGING (POS TAGGING)
Ulasan terdiri dari bagian yang berbeda dari kata sifat suc; kata
kerja dan kata keterangan diberi tag menggunakan Natura tool aku bahasa
kit (NLTK). Ketertarikan utama pada adverbia penelitian ini dan
bentuknya sehingga semua bentuk adverbia berasal dari review.
NLTK menandai beberapa kata keterangan suc
Kata keterangan superlatif (RRS):yang memodifikasi gen
dengan superior misalnya terbaik, terpanjang dan termudah dll.
Kata keterangan komparatif (RBR):yang memodifikasi v kata keterangan erb bersama
lain dengan perbandingan misalnya lebih banyak, lebih sedikit dan
Kata keterangan (RB):yang memodifikasi kata kerja menggunakan anot
misalnya sangat, diam-diam, banyak dll.
JILID 8, 2020
G. TINJAUAN
Saya terkejut ketika menyadari bahwa kantor baru dapat diperbarui setiap
tahundan sebagai akuhanyamembutuhkan kantor dasar dan akanbukan
keuntungan dari program kantor yang ditingkatkan. Aku melihatsekitardan
menemukan 2013 yang akan membantu saya selama komputer saya hidup dan
memikirkan sayademikian juga.Bandingkan tetapi masuk akal untuk
digunakan di rumah - apakah Anda memerlukan fitur tambahan dan apakah
Anda bersedia membayarsetiap tahununtuk mereka. Saya tidak dan saya
senang. Sayasudahharus melakukan pembayaran tahunan pada perangkat
lunak lain yang saya perlukansebagaiperlindungan tetapi biaya tahunan
segeranaik. Gunakan akal sehat Anda. saya bersediatidakpikir banyak
pengguna kantor tahubagaimanauntuk mendapatkanpalingdari itu sebagai
pengguna rumahan kecuali mereka belajar atau mencari nafkah dari program
atau menggunakannyasecara profesional.
Dalam ulasan ini, masing-masing kata keterangan yang muncul dalam
ulasan digarisbawahi dan dicetak tebal tetapi masalahnya adalah untuk
memahami bagaimana kata keterangan ini menceritakan kisah setiap
pengguna dan untuk sentimen bagaimana itu akan diklasifikasikan. Berbagai
bentuk kata keterangan seperti tahunan, hanya, juga, sudah, secara
profesional adalah beberapa kata keterangan umum (RB) dan sebagian besar
adalah kata keterangan superlatif umum (RBS).
H. FITUR SKOR
Senti Word Net 3.0, sumber leksikal yang dirancang secara eksplisit
untuk mendukung klasifikasi sentimen dan aplikasi penambangan
opini. Senti Word Net 3.0 adalah versi perbaikan dari Senti Word Net
1.0, sumber leksikal yang tersedia untuk umum untuk tujuan
penelitian. Senti Word Net adalah salah satu dari leksikon ini yang
menetapkan untuk setiap synset Word Net, tiga skor numerik
sentimen, positif, negatif, dan objektivitas. Oleh karena itu, basis
pengetahuan yang dapat digunakan untuk menetapkan skor. Total
kata positif yang ada di dalamnya adalah 3.076.708 dan kata negatif
sebanyak 151.044. Setiap fitur yang ada dalam dokumen, ulasan,
atau teks apa pun diberi skor positif dan negatif (Salehan, M., & Kim,
DJ (2016)) [21].
I. PENILAIAN KALIMAT
Skor kalimat dihitung dengan skor indi-
kata-kata individu hadir dalam kalimat tertentu.
∑
Skor Sen(s)1/n= (saya=0)^n Pi (1)
di mana,
• Sen Score(s) adalah skor untuk sebuah kalimat dalam dokumen atau
review.
h sebagai kata benda,
• n adalah jumlah total kata yang ada dalam sebuah kalimat.
• (Pi) kata polaritas hadir dalam kalimat di mana i adalah
ch bersama batas kata
diekstraksi Mari kita perhatikan contoh untuk menghitung skor tingkat
memiliki: kalimat.
kata keterangan ral Kalimat 1:''Kantor Microsoft versi 2013 adalahsangat bagus,
dan banyak hal yang ditingkatkankhususnyagaya baru.
Penjelasan:Kata ''sangat'' dan khususnya adalah kata keterangan
d sedikit dll. umum. Sekarang dua kata keterangan yang berbeda ini akan
kata keterangannya mendapatkan skor dari perpustakaan Senti Word Net dan rata-rata
dihitung untuk kalimat ini.
3597
 S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online
Skor kalimat:Skor kalimat positif karena kedua adverbia
memiliki skor polaritas positif yang disetel ulang oleh leksikon
polaritas ''Senti Word Net''.
Mari kita perhatikan contoh lain di mana negasi terjadi. Kalimat 2:''aksesnya
adalahbukanitu bagussebagaidibandingkan dengan SQL tetapi yang lain
seperti Excel, Word adalahjauh lebih baikdaripada sebelumnya''
Penjelasan:Kalimat ini mengandung ''not''&''as'' adalah kata
keterangan umum dan ''banyak'' &'' lebih baik'' adalah kata keterangan
superlatif. Sekarang kata keterangan ini akan mendapatkan skor dan
untuk menemukan polaritas kalimat ini di mana negasi terjadi terlebih
dahulu negativitas dihitung dengan rumus sebagai
Skor Neg=1(Skor positif+Skor negatif
Kemudian, perhitungan total akan dibangun untuk memahami
sentimen dari sebuah kalimat.
Skor kalimat:Dengan demikian, semua kalimat diberi skor dan
akhirnya diambil rata-rata untuk penilaian ulasan suatu produk.
J. TINJAUAN SKOR
Skor ulasan dihitung dengan skor kalimat
hadir dalam ulasan.
∑ memilih Naive Bayes, Decision Tree, Random Forest, Sup-
Skor Rev(r)1/n= (saya=0)^n Si
(2) Port Vector Machine, Gradient Boosting dan Sequence to
di mana,
• Skor Rev (r) adalah skor dari sebuah dokumen atau review.
• n adalah jumlah total kalimat dalam ulasan.
• (Si) kalimat hadir dalam ulasan di mana i adalah batas
kalimat.
Untuk mengklasifikasikan ulasan menggunakan kata keterangan
dan bentuknya yang berbeda, masing-masing ulasan diberi tag.
Setelah menandai ulasan, berbagai bentuk kata keterangan
diekstraksi. Setelah mengekstrak formulir ini, mereka digabungkan
bersama untuk skor menggunakan Senti Word Net. Pertama, pada
level kalimat kemudian pada level review diberikan skor skor akhir
review dan akan diklasifikasikan dengan kelas rating bintang 5 (Hu,
YH, Chen, K., & Lee, PJ (2017) [22]
K. PERINGKAT BINTANG
Untuk setiap ulasan selalu ada peringkat bintang yang diberikan
oleh pengguna berdasarkan pengalamannya untuk produk tertentu.
Dengan demikian, Amazon juga berisi peringkat bintang setiap kali
pelanggan berbagi pendapat. Untuk mengevaluasi peringkat
bintang 5 dari ulasan, langkah pertama adalah mencari tahu kisaran
dari peringkat tertinggi hingga terendah. Untuk menghitung tingkat
bintang ini, berkisar dari 0 hingga 1, peneliti yang berbeda
berkontribusi seperti Pappas & Popescu-Belis [23], Lak & Turetken
[24], Boondkk.[25] dan Lee dan Pang [26] yang menunjukkan kisaran
sangat positif dan sangat negatif yaitu 1 hingga 1 masing-masing.
Tabel 1 menunjukkan peringkat bintang bersama dengan nilai
polaritas dan klasifikasi yang diambil dari literatur
masa depan Kinc akudkk.[27], Zhang dkk.[28], dan Sti eglitz dan
n [29]
Dang-Xu sebuah
KELAS L IFIKASI
Setiap revisi ew adalah barisan variabel nce dari kata-kata dan sentimen
dari setiap re tampilan harus berkelas fied ke dalam ment di atas bintang terionisasi
3598
TABEL 1.Peringkat bintang.
peringkat kelas [30], [31]. Dataset Tinjauan Amazon Besar berisi 308.420
ulasan yang sangat polar (baik atau buruk) untuk pelatihan dan
pengujian. Masalahnya adalah untuk menentukan apakah ulasan yang
diberikan memiliki sentimen yang berbeda tergantung pada polaritas
fitur kata keterangan. Berbagai metodologi telah dipraktikkan oleh
berbagai penelitian selama bertahun-tahun mulai dari pengklasifikasi
berbasis pohon hingga pendekatan berbasis jaringan saraf. Kami telah
Urutan Jaringan Saraf Berulang.
1) NAIVE BAYES CLASSIFIER
Naive Byes adalah algoritma klasifikasi berbasis probabilitas yang banyak
digunakan oleh komunitas riset berdasarkan Teorema Bayes.
Pengklasifikasi Naive Byes didasarkan pada asumsi bahwa penampilan
atribut tertentu dalam suatu kelas tidak terkait dengan penampilan
atribut lainnya. Model Naive Bayes berguna untuk kumpulan data yang
sangat besar. Seiring dengan kesederhanaan, Naive Bayes dikenal
mengungguli bahkan metode klasifikasi yang sangat canggih. Saat ini
Google menggunakannya, untuk menandai email sebagai spam, atau
bukan spam. Ini juga digunakan oleh beberapa agensi baru untuk
mengklasifikasikan berita ke dalam kategori yang berbeda seperti
teknologi, hiburan, politik, dan olahraga, dll.
2) KLASIFIKASI POHON KEPUTUSAN
Pohon keputusan adalah algoritma klasifikasi yang banyak digunakan
oleh komunitas riset untuk tujuan klasifikasi. Pohon keputusan juga
digunakan dalam klasifikasi teks ke dalam polaritas sentimen. Itu
termasuk dalam kategori pembelajaran mesin. Seperti yang kita bahas
dalam bab kerja terkait, banyak penelitian memanfaatkan pohon
keputusan untuk klasifikasi tweet menjadi tweet positif, negatif dan
netral.
3) KLASIFIKASI HUTAN RANDOM
Random Forest adalah metode pembelajaran mesin serbaguna yang mampu
melakukan tugas regresi dan klasifikasi. Itu juga melakukan metode
pengurangan dimensi, memperlakukan nilai yang hilang, nilai outlier dan
langkah-langkah penting lainnya dari eksplorasi data, dan melakukan
pekerjaan yang cukup baik. Ini adalah jenis metode pembelajaran ensemble, di
mana sekelompok model yang lemah bergabung untuk membentuk model
yang kuat. Untuk mengklasifikasikan objek baru berdasarkan atribut, setiap
pohon memberikan klasifikasi dan kami menyebutnya pohon
JILID 8, 2020
S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online
''suara'' untuk kelas itu. Hutan memilih klasifikasi yang memiliki
suara terbanyak (di atas semua pohon di hutan) dan mengambil
rata-rata output dari pohon yang berbeda.
4) MESIN VEKTOR DUKUNGAN
Support Vector Machines mungkin merupakan salah satu algoritma
pembelajaran mesin yang paling terkenal dan didiskusikan. Itu tetap
menjadi arus utama sekitar waktu mereka dibuat pada 1990-an dan
terus menjadi teknik masuk untuk algoritme berperforma tinggi
dengan sedikit penyetelan. Ini adalah pengklasifikasi diskriminatif,
diberikan data pelatihan berlabel (pembelajaran yang diawasi),
algoritme menghasilkan bidang hiper optimal yang
mengkategorikan contoh baru. Atas dasar pelatihan ini, algoritma
mampu memprediksi input yang tidak diketahui.
5) GRADIENT BOOSTING CLASSIFIER
Teknik peningkatan gradien digunakan oleh perusahaan mesin pencari
besar, yaitu Google, Bing, Yandex dan Yahoo. Mereka menggunakannya
untuk peringkat halaman web, tetapi sebenarnya tidak terbatas pada
domain aplikasi dan dapat digunakan untuk berbagai masalah (Viola dan
Jones 2001) [32]. Gradient boosting classifiers adalah model yang dibuat
dari berbagai model yang lebih lemah yang dilatih secara individual dan
setiap prediksi model digabungkan. Ini adalah strategi yang efektif dan
karenanya sangat terkenal.
6) URUTAN KE MODEL URUTAN
Salah satu jaringan syaraf tiruan yang kuat adalah jaringan model jangka
pendek panjang atau disebut juga LSTM. Dalam metode yang kami
usulkan, kami akan menguraikan tinjauan ke dalam ruang vektor nyata,
metode utama saat bekerja dengan teks yang disebut penyisipan kata. Ini
adalah prosedur di mana istilah dikodekan sebagai vektor bernilai nyata
dalam ruang dimensi tinggi, di mana kemiripan antara istilah
menggambarkan kedekatan dalam ruang vektor. Keras adalah
perpustakaan sumber terbuka yang memberikan pendekatan yang
menguntungkan untuk mengubah representasi bilangan bulat positif
dari kata-kata menjadi penyisipan kata oleh lapisan Embedding.
IV. EVALUASI
Lakukan analisis sentimen pada ulasan produk, ulasan ini mewakili pendapat
pengguna tentang produk tertentu. Pengguna normal suatu produk
memposting ulasan mereka dalam bentuk teks pendek biasanya berisi
beberapa kalimat. Kalimat ini terdiri dari beberapa kata penting. Seperti yang
kita ketahui bahwa dalam part of speech bahasa Inggris, sebuah kata dapat
memberikan arti yang berbeda tergantung pada struktur kalimatnya.
Mengidentifikasi bagian dari pidato yang dapat menyajikan arti sebenarnya
dari kalimat adalah tugas yang menantang. Part of speech digunakan untuk
memperkirakan sentimen pengguna. Kata keterangan adalah bagian penting
dari setiap kalimat dan karenanya perlu dianalisis perannya dalam
menentukan sentimen pengguna yang sebenarnya. Berbagai jenis kata
keterangan harus diidentifikasi dan dianalisis untuk menentukan sentimen
kalimat. Jadi dalam pekerjaan ini kami akan mengidentifikasi dan mengekstrak
berbagai jenis kata keterangan dari kumpulan data ulasan pengguna dan
kemudian memperkirakan pentingnya mereka dalam klasifikasi ulasan
otomatis dalam tiga kelas sentimen yaitu positif, negatif atau netral. Untuk
klasifikasi otomatis, pengklasifikasi yang berbeda telah digunakan dalam
penelitian
JILID 8, 2020
masyarakat. Masih belum ditentukan pengklasifikasi mana yang paling baik
mengklasifikasikan ulasan ke dalam kelas berdasarkan fitur kata keterangan.
Pengklasifikasi bekerja pada beberapa set fitur. Dalam studi ini kami
mengeksplorasi beberapa fitur yang sangat penting dalam konten (teks)
ulasan. Fitur-fitur ini adalah kata keterangan. Kami mengeksplorasi berbagai
jenis kata kerja yang dapat digunakan untuk mengklasifikasikan ulasan ke
dalam kelas positif atau negatif.
Dalam hal pengklasifikasi, kami tertarik untuk menentukan
kinerja pengklasifikasi berbeda yang digunakan oleh komunitas riset
untuk klasifikasi. Kami menyelidiki bagaimana pengklasifikasi ini
bekerja pada set fitur yang diekstraksi dan yang mana dari mereka
yang mencapai kinerja tinggi.
Kami membandingkan hasil dengan analisis sentimen menggunakan
data ulasan produk di mana penulis (''Xing Fang & Justin Zhan 2015'')
diterbitkan di jurnal terbuka Springer pada tahun 2015. Alasan untuk
membandingkan dengan pekerjaan penelitian tersebut adalah bahwa
kedua penelitian (kami dan basis paper) menangani masalah yang sama
tetapi pendekatan kami untuk memecahkan masalah analisis sentimen
berbeda karena kami menggunakan fitur polaritas (Kata keterangan dan
bentuknya yang berbeda) baik secara individual maupun kombinasi
karena tidak ada teknik sebelumnya yang mempertimbangkan lima kelas
sentimen ditambah tiga fitur polaritas. Perbedaan tersebut adalah inti
kebaruan dari pekerjaan kami. Tiga ukuran evaluasi seperti Precision,
Recall, dan F-Measures digunakan dengan menggunakan pengklasifikasi
yang berbeda pertama menggunakan fitur tunggal dan kemudian fitur
biner dan mencari tahu mana dari mereka yang mencapai kinerja tinggi.
Untuk mengevaluasi atau mengusulkan metodologi, kami
menggunakan tiga langkah evaluasi. Ini termasuk Precision,
Recall dan F-Measure (Tripathy, A., Agrawal, A., & Rath, SK
2016) [33]. Metode evaluasi ini disajikan dalam rumus
berikut,
presisi:Presisi adalah rasio contoh yang diidentifikasi dengan
benar dengan total contoh dalam data. Ini dapat direpresentasikan
sebagai,
presisi=Tp/(Tp + FP)
Mengingat:Recall adalah ukuran evaluasi kedua yang kami gunakan
untuk mengevaluasi kinerja pengklasifikasi. Ini dapat direpresentasikan
sebagai,
Mengingat=Tp/(Tp + TN)
F-Ukuran:Akhirnya, kami juga menghitung skor F-Measure dari
pengklasifikasi yang dapat ditampilkan sebagai
F−Ukuran=2× PresisiRecall/(presisi+ Mengingat)
A. ALAT DAN TEKNIK
1) Kit Alat Bahasa Alami untuk penandaan bagian ucapan menggunakan
kumpulan tag tertentu.
2) Microsoft Excel untuk pra-pengolahan data dan setelah
pengolahan data untuk hasil.
3) platform pemrograman Python
4) Senti-Word Net digunakan untuk mencetak fitur
3599
 S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online

GAMBAR 3.Skor evaluasi Precision, Recall dan F-Measure untuk

GAMBAR 4.Skor evaluasi Precision, Recall dan F-Measure untuk
Random Forest Algorithm saat menggunakan Single Feature Set.
Algoritma Decision Tree saat menggunakan Single Feature Set.

V. HASIL
A. AKUISISI SET DATA
Dataset diperoleh dengan menggunakan crawler yang
dikembangkan dalam bahasa pemrograman python dari Amazon.
Metodologi yang diusulkan menggunakan dataset yang beragam.
Dataset berisi ulasan dari dua produk.
• Produk kantor
• DVD musik
Ulasan ini menyimpan ID produk, ulasan produk, bintang peringkat
produk, dan ringkasan keseluruhan ulasan bersama dengan beberapa
metadata. Ada 30.842 ulasan untuk menguji upaya penelitian secara
menyeluruh. Kumpulan data yang dikumpulkan cukup beragam dan
termasuk produk yang berbeda untuk menguji upaya penelitian secara GAMBAR 5.Skor evaluasi Precision, Recall dan F-Measure untuk Algoritma
Naïve Bayes saat menggunakan Single Feature Set.
komprehensif.

B. FITUR TUNGGAL
Bagian ini membahas hasil pengklasifikasi ketika kita hanya menggunakan fitur
tunggal. Ini berarti ketika setiap fitur digunakan oleh pengklasifikasi yang
berbeda, pengklasifikasi mana yang berkinerja terbaik.

1) KLASIFIKASI HUTAN RANDOM

Pertama kami menerapkan pengklasifikasi hutan Acak pada set
fitur 1. Telah diamati bahwa skor ukuran-F RBR melakukan yang
terbaik dengan mengamankan ukuran-F 0,96. Demikian pula
bentuk-bentuk berikut dapat mencapai ukuran F lebih banyak
dari atau sama dengan 0,80: RB dan RBS. Namun, kata keterangan umum
memperoleh F-ukuran terendah sebesar 0,81 as Hai
c dibandingkan dengan orang lain.

2) KLASIFIKASI POHON KEPUTUSAN

Kali ini kita menerapkan Decision Tree set saya
fieh di Feature med GAMBAR 6.Skor evaluasi Precision, Recall dan F-Measure untuk Algoritma
kelas 1. Dapat diamati bahwa RBR per fatau
yang terbaik oleh SVM saat menggunakan Single Feature Set.

mengamankan F-measure sebesar 0,96. aku

kamubentuk berikut
Serupa mampu mencapai F-ukuran 0,78: RBmbijih dari atau sama eb
r
dan RBS. Namun, ukuran F- adv est umum memperoleh e rendah 3) NAVE BAYES CLASSIFIER
sebesar 0,78. Ini menunjukkan dibandingkan
sebagai dengan Kami menerapkan pengklasifikasi Naive Bayes pada set Fitur 1.
Pengklasifikasi Hutan Acak decr. Dalam hal skor F-Measure, RBR & RBS berkinerja terbaik

3600 JILID 8, 2020

S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online

GAMBAR 7.Skor evaluasi Precision, Recall dan F-Measure untuk

Algoritma Gradient Boosting saat menggunakan Single Feature Set.
GAMBAR 10.Skor evaluasi Precision, Recall dan F-Measure untuk
Algoritma Decision Tree saat menggunakan Binary Feature Set.

GAMBAR 11.Skor evaluasi Precision, Recall dan F-Measure untuk Algoritma

Naive Bayes saat menggunakan Binary Feature Set.

ANGKA 8.Skor evaluasi Precision, Recall dan F-Measure untuk Model

Sequence to Sequence saat menggunakan Single Feature Set.
4) MESIN VEKTOR DUKUNGAN
Kami menerapkan classifier Support Vector Machine pada set
Feature 1. Jika kita mengamati F-measure dengan cermat, maka
performanya sama dengan Random Forest Classifier. RBR
melakukan yang terbaik dengan mengamankan F-measure 0,96.
Demikian pula bentuk-bentuk berikut mampu mencapai ukuran F
lebih dari atau sama dengan 0,85: RB dan RBS.

5) GRADIENT BOOSTING CLASSIFIER

Kami menerapkan pengklasifikasi Peningkat Gradien pada set Fitur
1. Ini bekerja sama dengan Pengklasifikasi Hutan Acak dan Mesin
Vektor Dukungan. RBR melakukan yang terbaik dengan
mengamankan F-measure 0,96. Demikian pula bentuk-bentuk
berikut mampu mencapai ukuran F lebih dari atau sama dengan

GAMBAR 9.Skor evaluasi Presisi, Ingat Algoritma d F-Ukur e untuk

0,76: RB dan RBS. Namun, kata keterangan umum memperoleh F-
Hutan Acak saat menggunakan Binary Feat kamu
mengatur ulang. ukuran terendah sebesar 0,76.

6) URUTAN KE MODEL URUTAN

rly mengikutibentuk sayap
dengan mengamankan F-ukuran 0,87.sebuah Kami menerapkan model Sequence to Sequence pada set Fitur 1. Ini
Simil mampu mencapai ukuran F mHai kembali itu n atau sama melakukan yang terbaik untuk fitur RBS di antara semua
sebesar 0,76: RB. Namun, general b obtains t dia terendah pengklasifikasi. RBS melakukan yang terbaik dengan mengamankan
adver F-ukuran 0,76. F-measure dari 0,91. Fitur RB tidak berkinerja baik dan mencapai

JILID 8, 2020 3601

 S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online

skor terendah 0,53. Namun, kata keterangan umum memperoleh F-

ukuran terendah sebesar 0,84.

C. FITUR BINER
Bagian ini akan membahas analisis Bi Feature (kombinasi
yang terdiri dari kombinasi dua fitur) dari tiga bentuk kata
keterangan yang berbeda. Ketika tiga bentuk kata
keterangan digabungkan. Ada total 7 kombinasi. Dalam
kombinasi ini, ada tiga Fitur Bi. Kami menerapkan
pengklasifikasi yang berbeda & memperoleh hasil.

1) KLASIFIKASI HUTAN RANDOM

Pertama, kami menerapkan pengklasifikasi hutan Acak pada set Fitur 2.
Kata keterangan komparatif (RBR) + Kata keterangan superlatif (RRS)
GAMBAR 12.Skor evaluasi Precision, Recall dan F-Measure untuk Algoritma
melakukan yang terbaik dengan mengamankan ukuran-F 0,95. Demikian SVM saat menggunakan Binary Feature Set.
pula bentuk-bentuk berikut mampu mencapai ukuran F lebih dari atau
sama dengan 0,81: Kata keterangan (RB) + Kata keterangan komparatif
(RBR) dan Kata keterangan (RB) + Kata keterangan superlatif (RRS).
Namun, General Adverb (RB) + Comparative Adverbs (RBR) memperoleh
F- measure terendah sebesar 0,81.

2) KLASIFIKASI POHON KEPUTUSAN

Kali ini kami menerapkan pengklasifikasi Pohon Keputusan pada set Fitur
2. Jika kami mengamati ukuran-F dengan cermat Kata keterangan
komparatif (RBR) + Kata keterangan superlatif (RRS) tampil paling baik
dengan mengamankan ukuran-F 0,95. Demikian pula bentuk-bentuk
berikut mampu mencapai ukuran F lebih dari atau sama dengan 0,78:
Kata keterangan (RB) + Kata keterangan komparatif (RBR) dan Kata
keterangan (RB) + Kata keterangan superlatif (RRS).

3) NAIVE BAYES CLASSIFIER
Kami menerapkan pengklasifikasi Naive Bayes pada set Fitur 2. Jika kami
mengamati ukuran-F dengan cermat. Kata keterangan komparatif (RBR)
+ Superlative adverbs (RRS) melakukan yang terbaik dengan
mengamankan F-measure dari 0,91. Demikian pula bentuk-bentuk
berikut mampu mencapai ukuran F lebih dari atau sama dengan 0,77:
Kata keterangan (RB) + Kata keterangan komparatif (RBR) dan Kata
keterangan (RB) + Kata keterangan superlatif (RRS). Namun, Adverb (RB)+
Comparative adverbs (RBR) memperoleh F-ukuran terendah sebesar 0,77.
4) MESIN VEKTOR DUKUNGAN
Kami menerapkan pengklasifikasi Mesin Vektor Dukungan pada
set Fitur 2. Ini bekerja sama dengan Pengklasifikasi Hutan Acak.
Comparative adverbs (RBR) + Superlative adverbs (RRS)
menunjukkan performa terbaik dengan mengamankan F-
measure sebesar 0,94. Demikian pula bentuk lain mampu
mencapai ukuran F lebih dari atau sama dengan 0,82: Adverbia
(RB) + Comparative adverbs (RBR) dan Adverb (RB) + Superlative
adverbs (RRS)
5) GRADIENT BOOSTING CLASSIFIER
Kami menerapkan Gradient Boosting Classifier pada set Fitur 2. Ini
bekerja sama dengan Random Forest Classifier. Comparative adverbs
(RBR) + Superlative adverbs (RRS) menunjukkan performa terbaik dengan
mengamankan F-measure sebesar 0,95. Demikian pula
GAMBAR 13.Skor evaluasi Precision, Recall dan F-Measure untuk
Gradient Boosting Algorithm saat menggunakan Binary Feature Set.
bentuk lain mampu mencapai ukuran F lebih dari atau sama
dengan 0,79: Adverb (RB) + Comparative adverbs (RBR) dan
Adverb (RB) + Superlative adverbs (RRS).
6) URUTAN KE MODEL URUTAN
Kami menerapkan model Sequence to Sequence pada Feature set 2.
Ini melakukan yang terbaik untuk fitur Comparative adverbs (RBR) +
Superlative adverbs (RRS) di antara semua pengklasifikasi.
Comparative adverbs (RBR) + Superlative adverbs (RRS)
menunjukkan performa terbaik dengan mengamankan F-measure
sebesar 0,91. Fitur Adverb (RB) + Comparative adverbs (RBR) dan
Adverb (RB) + Superlative adverbs (RRS) tidak berjalan dengan baik
dan mencapai skor terendah 0,53.
D. DISKUSI
Kami mengevaluasi kinerja 6 pengklasifikasi, menggunakan tiga
kombinasi fitur. Fitur-fitur ini terdiri dari tiga jenis kata
keterangan. Pada run pertama setiap classifier kami
menggunakan jenis adverbia tunggal, kemudian pada run
kedua kami menggabungkan dua jenis adverbia dan total 6
atribut biner telah diuji sementara pada run ketiga kami
menguji semuanya bersama-sama.

3602 JILID 8, 2020

S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online

GAMBAR 16.Skor presisi dari semua 6 pengklasifikasi di Fitur Biner.

GAMBAR 14.Skor evaluasi Precision, Recall dan F-Measure untuk Model

Sequence to Sequence saat menggunakan Binary Feature Set.

GAMBAR 17.Skor F-Score dari semua 6 pengklasifikasi di Fitur Tunggal.

GAMBAR 15.Skor presisi dari semua 6 pengklasifikasi di Fitur Tunggal.

1) PRESISI PADA FITUR TUNGGAL

GAMBAR 18.Skor presisi dari semua 6 pengklasifikasi di Fitur Biner.
Seperti yang dapat ditunjukkan pada gambar di atas bahwa LSTM
berkinerja sangat buruk dalam hal presisi saat menggunakan fitur
RB dan RBR. Sedangkan LSTM memiliki nilai presisi yang baik saat
menggunakan fitur RBS. Di sisi lain Naive Bayes adalah algoritma
kinerja terburuk kedua yang menggunakan ketiga jenis kata
keterangan. Random Forest, Decision tree, SVM dan Gradient
Boosting mencapai presisi tinggi pada fitur RBR.

2) INGAT PADA FITUR TUNGGAL

Lagi-lagi algoritma LSTM (neural networks) gagal mencapai
recall yang tinggi pada atribut RB dan RBR. Sedangkan atribut
RBR terbukti efisien untuk semua classifier kecuali Naïve Bayes
dan LSTM.
3) F –UKUR PADA FITUR TUNGGAL
LSTM mencapai F-score yang tinggi saat menggunakan fitur RBS, sementara
memiliki recall yang rendah saat menggunakan fitur RB dan RBR. Algoritma
Random Forest, Decision Tree, SVM dan Gradient Boosting mencapai skor F-
measure yang tinggi sementara Random Forest mencapai skor F-measure yang
tinggi di RB. Tapi secara keseluruhan RBR memiliki skor F-measure yang tinggi
dibanding yang lainnya
GAMBAR 19.Ingat skor dari semua 6 pengklasifikasi di Fitur Biner.
4) PRESISI PADA FITUR BINER
Algoritma LSTM berkinerja buruk dalam hal presisi ketika kami
menggabungkan tiga jenis kata keterangan. Kombinasi RBR dan
RBS terbukti efisien karena mencapai presisi tinggi pada semua
pengklasifikasi yang diharapkan dari algoritma LSTM. Dua
kombinasi RB-RBR dan RB-RBS lainnya memiliki presisi rendah
untuk semua pengklasifikasi yang disajikan pada Gambar IV.

JILID 8, 2020 3603

 S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online
GAMBAR 20.Skor F-Measure dari semua 6 pengklasifikasi di Fitur Biner.
5) INGAT DI FITUR BINARY
Perilaku yang sama seperti yang telah kita lihat dalam kasus Presisi di mana LSTM
berkinerja buruk sementara semua pengklasifikasi lainnya mencapai penarikan yang
baik menggunakan kombinasi kata keterangan RBR-RBS.
6) F-MEASURE PADA FITUR BINER
Gambar 20 menunjukkan perbandingan antara skor F-Measure
untuk masing-masing classifier dan dapat ditunjukkan bahwa LSTM
dan Naive Bayes memiliki F-score paling kecil dibandingkan classifier
lainnya. Lagi-lagi kombinasi RBR-RBS terbukti lebih efisien.
E. KETERBATASAN DAN PENELITIAN MASA DEPAN
Seperti halnya penelitian lain, penelitian ini memiliki keterbatasan.
Analisis sentimen otomatis sangat membantu untuk menganalisis
informasi tekstual besar, masih memiliki keterbatasan. Perangkat lunak
yang kami gunakan dalam penelitian ini memiliki kemampuan untuk
memproses berbagai jenis informasi tekstual. Tetapi memiliki kelemahan
dalam memproses gaya yang berbeda seperti sarkasme. Sebaliknya ada
area lebih lanjut untuk perbaikan di bidang pemrosesan bahasa alami.
Pekerjaan penelitian di masa depan dapat memberikan wawasan yang
lebih baik mengenai informasi yang terkandung dalam ulasan online
menggunakan teknologi yang lebih maju. Penelitian selanjutnya juga
dapat melihat bagaimana penjelasan dari berbagai aspek review
pelanggan terhadap kualitas produk, pengaruh strategi pemasaran di
bidang data mining.
CATATAN AKHIR
Meskipun ada makalah yang berbicara tentang spam di
Amazon.com, kami masih berpendapat bahwa ini adalah situs web
yang relatif bebas spam dalam hal ulasan karena penegakan proses
pemeriksaan ulasannya.
Data review produk yang digunakan untuk penelitian ini
dapat diunduh di: http://www.ilabsite.org /? ID halaman=1091.
REFERENSI
[1] B. Liu, ''Analisis sentimen dan penggalian opini,''Synth. Kuliah Hum. Lang.
teknologi., jilid. 5, tidak. 1, hlm. 1-167, 2012.
[2] P. Smith, ''Analisis sentimen: Di luar proposal tesis polaritas,'' School
Comput. Sci. Univ. Birmingham, Birmingham, Inggris, Teknologi. Rep.,
Oktober 2011, hlm. 1–42.
[3] RS Jagdale, VS Shirsat, dan SN Deshmukh, ''Analisis sentimen pada ulasan
produk menggunakan teknik pembelajaran mesin,'' diInformatika
Kognitif dan Komputasi Lunak. Singapura: Springer, 2018, hlm. 639–647,
doi:10.1007/978-981-13-0617-4_61.
3604
[4] M. Devika, C. Sunitha, dan A. Ganesh, ''Analisis sentimen: Sebuah studi
komparatif pada pendekatan yang berbeda,''Komputer Procedia. Sci., jilid. 87,
hlm. 44–49, Januari 2016.
[5] K. Schouten dan F. Frasincar, ''Survei pada analisis sentimen tingkat aspek,'' IEEE
Trans. tahu. Data Eng., jilid. 28, tidak. 3, hlm. 813–830, Maret 2016.
[6] R. Arulmurugan, KR Sabarmathi, dan H. Anandakumar, ''Klasifikasi analisis
sentimen tingkat kalimat menggunakan teknik cloud machine learning,''
Komputasi Klaster, jilid. 22, tidak. S1, hlm. 1199–1209, Januari 2019, doi:
10.1007/s10586-017-1200-1.
[7] P. Burnap, R. Gibson, L. Sloan, R. Southern, dan M. Williams, ''140 karakter
menuju kemenangan?: Menggunakan Twitter untuk memprediksi pemilihan
umum Inggris 2015''Pejantan Pemilu., jilid. 41, hlm. 230–233, Maret 2016, doi:
10.1016/j.electstud.2015.11.017.
[8] AS Manek, PD Shenoy, MC Mohan, dan VK R, ''Ekstraksi istilah aspek untuk
analisis sentimen dalam ulasan film besar menggunakan metode pemilihan
fitur Indeks Gini dan pengklasifikasi SVM,''World Wide Web, jilid. 20, tidak. 2,
hlm. 135-154, Maret 2017, doi:10.1007/s11280-015-0381-x.
[9] X. Fang dan J. Zhan, ''Analisis sentimen menggunakan data ulasan produk,''
J. BigData, jilid. 2, tidak. 1, hal. 5 Desember 2015, doi:10.1186/s40537-015-0015-2.
[10] M. Hu dan B. Liu, ''Menambang dan meringkas ulasan pelanggan,'' diProk. ACM
SIGKDD Int. Kon. tahu. Penambangan Data Penemuan (KDD), 2004.
[11] B. Pang dan L. Lee, ''Penambangan opini dan analisis sentimen,''
Ditemukan. Tren Inf. Retr., jilid. 1, tidak. 1–2, hlm. 1-135, 2008, doi:
10.1561/1500000011.
[12] W.-JK Gann, J. Day, dan S. Zhou, ''Analisis Twitter untuk sistem deteksi penipuan
perdagangan orang dalam,'' diProk. 2nd ASE Int. Kon. Data besar, 2014.
[13] Y. Liu, ''Alat media sosial sebagai sumber belajar,''J. Pendidikan. teknologi.
Mengembangkan. Menukarkan, jilid. 3, tidak. 1, hlm. 101–114, Maret 2017.
[14] SR Das dan MY Chen, ''Yahoo! Untuk Amazon: Penguraian sentimen dari obrolan
ringan di Web,'' Inst. Operasi Res. Mengelola. Sci., Catonsville, MD, AS, Tek.
Rep., Sep. 2007, vol. 53, tidak. 9, hlm. 1–16.
[15] T. Nasukawa dan J. Yi, ''Analisis sentimen: Menangkap kesukaan menggunakan
pemrosesan bahasa alami,'' diProk. Int. Kon. tahu. Tangkap (K-CAP), 2003, hlm.
70–77.
[16] A. Cambero, ''Sebuah studi perbandingan metode analisis sentimen Twitter untuk
aplikasi langsung,'' B. Thomas Golisano College Comput. Inf. Sci., Rochester
Inst. Technol., Rochester, NY, AS, Teknologi. Rep.8, 2016.
[17] R. Xia, C. Zong, dan S. Li, ''Ensemble set fitur dan algoritma klasifikasi
untuk klasifikasi sentimen,''Inf. Sci., jilid. 181, tidak. 6, hlm. 1138–
1152, Maret 2011, doi:10.1016/j.ins.2010.11.023.
[18] P. Gamallo dan M. Garcia, ''Citius: Strategi naif–Bayes untuk analisis sentimen
pada tweet bahasa Inggris,'' diProk. 8th Int. Evaluasi Semantik Lokakarya.
(SemEval), 2014, hlm. 171–175.
[19] V. Nandi dan S. Agrawal, ''Analisis sentimen politik menggunakan pendekatan
hibrida,''Int. Res. J. Eng. teknologi., jilid. 3, tidak. 5, hlm. 1621–1627, 2016.
[20] N. Rajganesh, C. Asha, AT Keerthana, dan K. Suriya, ''Sistem rekomendasi buku
berbasis umpan balik hibrida menggunakan analisis sentimen,''Int. J.Sci. Res.
Hitung. Sci., Eng. Inf. teknologi., jilid. 3, tidak. 3, hlm. 2456–3307, 2018.
[21] M. Salehan dan DJ Kim, ''Memprediksi kinerja ulasan konsumen online:
Pendekatan penambangan sentimen,'' diProk. ICIS, 2014.
[22] Y.-H. Hu, K. Chen, dan P.-J. Lee, ''Pengaruh filter yang dapat dikontrol pengguna
pada prediksi ulasan hotel online,''Inf. Mengelola., jilid. 54, tidak. 6, hlm. 728–
744, September 2017.
[23] N. Pappas dan A. Popescu-Belis, ''Pemodelan dokumen eksplisit melalui
pembelajaran multiple-instance berbobot,''J. Arti. Intel. Res., jilid. 58, hlm.
591–626, Juli 2018.
[24] P. Lak dan O. Turetken, ''Peringkat bintang versus analisis sentimen
—Perbandingan ukuran opini yang eksplisit dan implisit,'' di Prok.
47 Hawaii Int. Kon. Sistem Sci., Januari 2014, hlm. 796–805, doi:
10.1109/HICSS.2014.106.
[25] C. Boon, C. Hawkins, K. Bisht, SJ Coombes, B. Bakrania, K.-H. Wagner, dan
A. Bulmer, ''The king's speech metalanguage of nation, man and class in
anecdots about George III,''Anugerah, jilid. 16, tidak. 2, hlm. 281–299, Juli
2012.
[26] B. Pang dan L. Lee, ''Melihat bintang: Memanfaatkan hubungan kelas untuk
kategorisasi sentimen sehubungan dengan skala penilaian,'' diProk. Tahun
ke-43. Rapat Assoc. Hitung. Linguistik (ACL), 2005, hlm. 115–124.
[27] T. Kincl, M. Novák, dan P. trach, ''Sebuah studi lintas budaya pemasaran online
dalam pendidikan tinggi internasional—Analisis kata kunci,''Pendidikan Baru.
Putaran., jilid. 32, tidak. 2, hlm. 49–65, 2013.
[28] JQ Zhang, G. Craciun, dan D. Shin, ''Kapan kata elektronik penting? Sebuah
studi review produk konsumen,''J. Bis. Res., jilid. 63, tidak. 12, hlm. 1336–
1341, Desember 2010.
JILID 8, 2020
S. Kausardkk.: Teknik Kategorisasi Polaritas Sentimen untuk Ulasan Produk Online

[29] S. Stieglitz dan L. Dang-Xuan, ''Emosi dan penyebaran informasi di media WAQAS AHMADmenerima gelar BSIT dari
sosial—Sentimen mikroblog dan perilaku berbagi,''J. Kelola. Inf. Sistem, Universitas Azad Jammu dan Kashmir. Dia
jilid. 29, tidak. 4, hlm. 217–248, April 2013. saat ini sedang mengejar gelar MSCS di
[30] F. Ali, D. Kwak, P. Khan, SR Islam, KH Kim, dan K. Kwak, ''Analisis sentimen Universitas Kotli Azad Jammu dan Kashmir,
berbasis ontologi fuzzy dari ulasan fitur transportasi dan kota untuk Pakistan. Minat penelitiannya meliputi
perjalanan yang aman,''terjemahan Res. C, Muncul. teknologi., jilid. 77, penambangan data, Internet of Things, dan
hlm. 33–48, April 2017.
jaringan komputer.
[31] F. Ali, K.-S. Kwak, dan Y.-G. Kim, ''Penambangan opini berdasarkan ontologi
domain fuzzy dan mesin vektor dukungan: Sebuah proposal untuk
mengotomatisasi klasifikasi ulasan online,''aplikasi Komputer Lunak., jilid. 47,
hlm. 235–250, Oktober 2016.
[32] P. Viola dan M. Jones, ''Deteksi objek cepat menggunakan kaskade fitur
sederhana yang ditingkatkan,'' diProk. Komputer IEEE. Soc. Kon. Hitung.
melihat Pengenalan Pola. (CVPR), jilid. 1, Agustus 2005, hlm. 511–518.
[33] A. Tripathy, A. Agrawal, dan SK Rath, ''Klasifikasi ulasan sentimen menggunakan
pendekatan pembelajaran mesin n-gram,''Sistem Pakar. aplikasi, jilid. 57, hlm. MUHAMMAD YASIR SABIRlahir di Kotli, Azad
117–126, Sep. 2016, doi:10.1016/j.eswa.2016.03.028. Jammu dan Kashmir, Pakistan. Ia menerima
gelar BSIT dari Universitas Azad Jammu dan
Kashmir, dan gelar MS dalam ilmu komputer
SAMINA KAUSARmenerima gelar MS dalam ilmu dari Universitas Islam Internasional Islamabad,
komputer dari Universitas Islam Internasional Pakistan. Dia saat ini menjadi Dosen di
Islamabad, Pakistan, pada tahun 2007. Saat ini ia Universitas Kotli Azad Jammu dan Kashmir, AJ&K.
adalah Peneliti dan juga Ph.D. Sarjana dengan Bidang penelitian utamanya adalah jaringan dan
Sekolah Teknik Komputer dan Sains, Universitas keamanan komputer, komputasi awan, data
Shanghai, Cina. Dia telah menjadi Asisten besar, algoritme pembelajaran mesin, dan IoT.
Profesor di Universitas Kotli Azad Jammu dan
Kashmir, Pakistan. Minat penelitiannya adalah di
bidang big data, bioinformatika, jaringan
komputer, komputasi awan, data
penambangan, dan algoritma pembelajaran mesin.

WAQAS AHMADmenerima gelar MS dalam ilmu

XU HUAHUsaat ini adalah Doktor Superviso
dan Profesor di Sekolah Teknik Komputer
dan Sains, Universitas Shanghai, di mana ia
juga Direktur Kantor Informasi. Dia adalah
Ketua Asosiasi Keamanan dan Teknologi
Shanghai. Minat penelitiannya meliputi
teknologi multimedia, CIMS, dan teknologi
jaringan komputer.
komputer dari Universitas Islam Internasional di
Islamabad, Islamabad, Pakistan, pada tahun 2012. Saat
ini sedang mengejar gelar Ph.D. gelar dengan Beijing
Normal University, Beijing, Cina. Dari 2013 hingga 2015,
ia adalah Anggota Fakultas Tamu di berbagai institusi,
Pakistan. Bidang minatnya adalah teori permainan,
desain mekanisme, sumber kerumunan, pelestarian
privasi dalam komputasi awan seluler, penambangan
data, dan penginderaan kerumunan seluler.

JILID 8, 2020 3605