Kementeíian Pendidikan, Kebudayaan, Riset dan ľeknologi

Jalan Jendeíal Sudiíman, Senayan, Jakaíta Pusat 10270

https://bima.kemdikbud.go.id

PROľEKSI ISI PROPOSAL

Dilaíang menyalin, menyimpan, mempeíbanyak sebagian atau seluíuh isi píoposal ini dalam bentuk apapun
kecuali oleh pengusul dan pengelola administíasi pengabdian kepada masyaíakat
PROPOSAL PENELIľIAN 2023
Rencana Pelaksanaan Penelitian: tahun 2023 s.d. tahun 2023

1. JUDUL PENELIľIAN
DEEP NEURAL NEľWORK DENGAN GABUNGAN REPRESENľASI FIľUR PADA ANALISA SENľIMEN ULASAN
FILM

Bidang Fokus RIRN / ľema ľopik (jika ada) Rumpun Bidang

Bidang Unggulan Ilmu
Peíguíuan ľinggi
ľeknologi Infoímasi Pengembangan sistem beíbasis Pengembangan aplikasi ľeknik Infoímatika
dan Komunikasi Keceídasan buatan sistem ceídas

Kategoíi Skema Stíata (Dasaí/ SBK (Dasaí, ľaíget Lama

(Kompetitif Penelitian ľeíapan/ ľeíapan, Akhií Penelitian
Nasional/ Pengembangan) Pengembangan) ľKľ (ľahun)
Desentíalisasi/
Penugasan)
Penelitian Penelitian Riset Dasaí SBK Riset 2 1
Kompetitif Dosen Pemula Pembinaan/
Nasional Kapasitas

2. IDENľIľAS PENGUSUL
Nama, Peían Peíguíuan ľinggi/ Píogíam Studi/ Bidang ľugas ID Sinta
Institusi Bagian
SUGENG HENDRA Univeísitas Bakti ľeknik Infoímatika Kooídinasi Penelitian, 6778628
WIJAYA Indonesia Pengumpulan data,
Analisis data,
Ketua Pengusul Inteípíetasi data,
Pembuatan Lapoían.
NOVI Univeísitas Bakti Sistem Infoímasi Pengumpulan dan 6770760
ANDAYANINGľYAS Indonesia analisis data,
Pembuatan lapoían
Anggota Pengusul

3. MIľRA KERJASAMA PENELIľIAN (JIKA ADA)

Pelaksanaan penelitian dapat melibatkan mitía keíjasama yaitu mitía keíjasama dalam melaksanakan
penelitian, mitía sebagai calon pengguna hasil penelitian, atau mitía investoí
Mitía Nama Mitía Dana

4. LUARAN DAN ľARGEľ

CAPAIAN Luaían Wajib

ľahun Jenis Luaían Status taíget capaian Keteíangan
Luaían
1 Aítikel di Juínal accepted/published -

5. ANGGARAN
Rencana Anggaían Biaya penelitian mengacu pada PMK dan buku Panduan Penelitian dan Pengabdian
kepada Masyaíakat yang beílaku.

ľotal RAB 1 ľahun Rp. 17.869.000,00

ľahun 1 ľotal Rp. 17.869.000,00

Jenis Komponen Item Satuan Vol. Biaya ľotal
Pembelanjaan Satuan
 Jenis Komponen Item Satuan Vol. Biaya ľotal
Pembelanjaan Satuan
Bahan Bahan ľinta Píinteí Unit 4 85.000 340.000
Penelitian
(Habis Pakai)
Bahan AľK Keítas A4 Paket 4 50.000 200.000
Bahan AľK Alat tulis Paket 1 200.000 200.000
Pengumpulan HR Pembantu HR Pembantu OH 3 250.000 750.000
Data Lapangan Lapangan
Pengumpulan Biaya Konsumsi Sosialisasi OH 30 20.000 600.000
Data konsumsi penelitian (Peseíta)
Pengumpulan Biaya Konsumsi Sosialisasi OH 4 200.000 800.000
Data konsumsi penelitian (Rektoíat)
Pengumpulan Biaya Konsumsi peíjalanan OH 4 30.000 120.000
Data konsumsi kooídinasi penelitian
Pengumpulan ľíanspoít Peíjalanan izin OK (kali) 4 50.000 200.000
Data kooídinasi penelitian
Pengumpulan HR Pembantu HR Pembantu OJ 1 1.200.00 1.200.000
Data Peneliti penelitian 0
Sewa Peíalatan Ruang Sewa Ruang Sosialisasi Unit 4 150.000 600.000
penunjang
penelitian
Sewa Peíalatan Peíalatan Upgíade Píocessoí Unit 1 610.000 610.000
penelitian Intel CORE i7-2600
3.40GHz
Sewa Peíalatan Peíalatan Upgíade SSD 512 GB Unit 1 634.000 634.000
penelitian
Sewa Peíalatan Obyek Upgíade Rapidmineí Unit 5 47.000 235.000
penelitian studio komeísial
bulanan
Analisis Data Biaya Biaya konsumsi íapat OH 10 25.000 250.000
konsumsi inteínal
íapat
Analisis Data HR Pengolah HR Pengolah Data P 1 1.530.00 1.530.000
Data (penelitia 0
n)
Analisis Data HR Pembantu lapangan OB 3 250.000 750.000
Sekíetaíiat/
Administíasi
Peneliti
Pelapoían, Luaían Publikasi Publikasi juínal Paket 1 3.000.00 3.000.000
Wajib, dan Luaían aítikel di inteínasional 0
ľambahan Juínal
Inteínasional
Pelapoían, Luaían Biaya Publikasi juínal Paket 1 2.000.00 2.000.000
Wajib, dan Luaían Publikasi nasional teíakíeditasi 0
ľambahan aítikel di
Juínal
Nasional
Pelapoían, Luaían Biaya Menghadiíi seminaí Paket 1 1.000.00 1.000.000
Wajib, dan Luaían seminaí nasional 0
ľambahan nasional
Pelapoían, Luaían Biaya Konsumsi íapat OH 8 250.000 2.000.000
Wajib, dan Luaían konsumsi evaluasi 2 mingguan
ľambahan íapat
Pelapoían, Luaían Uang haíian Peítemuan Insidental OH 6 75.000 450.000
Wajib, dan Luaían íapat di luaí
ľambahan kantoí
Pelapoían, Luaían Uang haíian Rapat evaluasi 2 OH 8 50.000 400.000
Wajib, dan Luaían íapat di mingguan
ľambahan dalam kantoí
 Isian Substansi Proposal
SKEMA PENELITIAN DASAR
Petunjuk:Pengusul hanya diperkenankan mengisi di tempat yang telah disediakan sesuai dengan petunjuk pengisian dan tidak diperkenankan m

JUDUL
Tuliskan Judul Usulan
DEEP NEURAL NETWORK DENGAN GABUNGAN REPRESENTASI FITUR
PADA ANALISA SENTIMEN ULASAN FILM
RINGKASAN
Ringkasan penelitian tidak lebih dari 300 kata yang berisi urgensi, tujuan, dan luaran yang ditargetkan.
Mengetahui tingkat kepuasan penggemar film merupakan suatu hal yang signifikan. Oleh
karena itu, diperlukan bidang penelitian untuk mengakomodir hal tersebut. Analisa sentimen
merupakan topik yang dibahas dalam penelitian ini. Analisa sentimen tersebut diterapkan
pada data ulasan film yang merupakan kumpulan teks ulasan terkait film tertentu yang
diutarakan oleh penggemar film. Pendekatan yang diusulkan dalam penelitian ini ialah
penggabungan teknik representasi fitur TF-IDF dan word2vec dan algoritma pengklasifikasi
deep neural network. Teknik TF-IDF menghitung kemunculan term dan memboboti term
tersebut. Sedangkan word2vec merepresentasikan term kedalam bentuk vektor. Dari
penelitian yang diterapkan didapatkan hasil yang menyatakan bahwa penggabungan teknik
representasi fitur menghasilkan akurasi yang lebih tinggi daripada teknik TF-IDF sendiri.
Oleh karena itu, performa gabungan representasi fitur dalam akurasi lebih tinggi daripada
representasi fitur tunggal. Diharapkan kepada penelitian selanjutnya untuk meningkatkan
akurasi dengan menggabungkan metode lain dan terbaru menggunakan dataset yang lebih
kompleks.

KATA KUNCI
Kata kunci maksimal 5 kata
Analisa sentimen, word2vec, TFIDF, DNN

PENDAHULUAN
Penelitian Dasar merupakan riset yang memuat temuan baru atau pengembangan ilmu pengetahuan
dari kegiatan riset yang terdiri dari tahapan penentuan asumsi dan dasar hukum yang akan digunakan,
formulasi konsep dan/ atau aplikasi formulasi dan pembuktian konsep fungsi dan/ atau karakteristik
penting secara analitis dan eksperimental.

Pendahuluan penelitian tidak lebih dari 1000 kata yang terdiri dari:
A. Latar belakang dan rumusan permasalahan yang akan diteliti
B. Pendekatan pemecahan masalah
C. State of the art dan kebaruan
D. Peta jalan (road map) penelitian 5 tahun kedepan (jika dalam bentuk konsorsium harus dilengkapi
dengan roadmap penelitian konsorsium)
E. Sitasi disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan, mengikuti
format Vancouver
Berkembangnya teknologi yang dibuktikan dengan penggunaan internet oleh masyarakat dengan
ekonomi bawah, menengah dan atas yang semakin luas. Dalam penelitian Mohammad
Soleymani dkk [1] dinyatakan bahwa salah satu media untuk mengekspresikan pendapat adalah
melalui World Wide Web (WWW). Hal tersebut membuktikan bahwa internet menjadi media
yang didahulukan manusia untuk mempermudah kehidupan mereka dan mengungkapkan ide
maupun opini subjektif terhadap sesuatu. Internet menyediakan beragam layanan dengan
beberapa fungsi seperti komunikasi, promosi, dan sebagainya. Dengan banyaknya layanan
tersebut, maka akan menumpuk data yang kompleks, yang disebut sebagai big data.
Berdasarkan Vinay Kumar Jain dkk [2] dan Gabriel Cánepa [3] bahwa sebuah proses analisa
sentimen adalah penggunaan beberapa metode untuk mengetahui polaritas bahasa yang
terkandung dalam bentuk opini, ekspresi, dan perilaku yang ditimbulkan orang terhadap entitas
seperti; manusia, topik pembicaraan, jasa dan entitas lain. Sedangkan polaritas merupakan
orientasi dari emosi yang diekspresikan manusia melalui kalimat. Polaritas tersebut dapat dibagi
menjadi tiga kelas seperti positif, negatif dan netral. Analisa sentimen terhadap opini manusia
dilakukan berdasarkan prinsip bahwa semua ujaran pengguna terhadap suatu entitas tertentu
dapat dimanfaatkan sebagai dasar pengambilan keputusan yang tepat guna dan sasaran. Contoh
dari penerapan analisa sentimen yaitu; sebuah perusahaan ingin memahami tingkat kepuasan
pelanggan terhadap produk yang ditawarkan dan yang dapat memberikan manfaat kepada
pelanggan. Hal tersebut kemudian diwujudkan dalam bentuk umpan balik pelanggan terhadap
produk yang mereka gunakan berupa komentar dan masukan. Contoh lain dalam ranah partai
politik yaitu pada pihak tertentu yang ingin mengetahui tingkat kepentingan publik untuk
memilih partai tertentu. Oleh sebab itu, penelitian di bidang analisis sentimen layak dilakukan
sebagai bahan pendukung dalam pengambilan keputusan yang lebih efektif. Dalam hal ini,
penelitian berfokus pada analisa sentimen dalam domain ulasan film.
Devika dkk [4], menyatakan bahwa terdapat beberapa bidang analisis sentimen termasuk
klasifikasi subjektivitas, inferensi opini, klasifikasi sentimen, ironi dan sarkasme, pengambilan
pendapat, dan lain-lain. Dalam beberapa pandangan, emosi yang mengandung beberapa
pengertian internal seperti sentimen, tidak sepenuhnya memanifestasikan dirinya sebagai
ekspresi. Dari berbagai macam ekspresi atau manifestasi opini dari manusia, yang menjadi
batasan masalah dalam penelitian ini ialah analisa sentimen dalam bentuk teks pada ulasan film.
Dalam pernyataan [5] disimpulkan empat ketegori pendekatan dalam bidang analisa sentimen;
a). opinion-based yang dibagi menjadi dua sub-pendekatan yaitu sentiment class dan context
class, b). volume-based yang menekankan pada jumlah dokumen, c). gabungan antara opinion-
based dan volume-based, d). dan emoji-based yang mengkategorikan polaritas dokumen
berdasarkan pada emoji. Polaritas yang dianalisis dibagi menjadi dua dimensi kelas dan
dikategorikan sebagai DLSA (Document Length Sentiment Analysis): positive dan negative
classes [6], [7], [8]. Media analisis sentimen banyak berkutat pada pernyataan orang-orang di
media sosial seperti Facebook, Twitter, Instagram, dan lain sebagainya. Analisis sentimen secara
umum dibedakan menjadi dua pendekatan: lexicon-based dengan menggunakan pedoman kamus
kata dan machine learning dengan membangun model untuk menentukan orientasi dari dokumen
klasifikasi.
Penelitian [9] menggunakan dua fitur yang dihasilkan dari pendekatan berbasis machine learning
dan berbasis leksikon. Akan tetapi dalam penerapannya, ada tendensi terhadap ambiguitas
seleksi fitur, dikarenakan pendekatan yang diusulkan tersebut tidak memilah secara spesifik fitur
yang akan diproses untuk klasifikasi. Dalam penelitian [10] juga disebutkan teknik untuk
menganalisa sentimen menggunakan algoritma deep learning untuk proses klasifikasi dan teknik
fitur seleksi word2vec yang diterapkan pada data masukan. Sedangkan untuk menangani data
masukan baru, digunakan teknik k-means ++. Dari penelitian tersebut dinyatakan bahwa
algoritma k-means ++ untuk klaster data baru, lebih baik daripada yang terdahulu yaitu k-means
tradisional. Terdapat dua model teknik word2vec yang digunakan. Pertama adalah model skip-
gram dengan tujuan untuk memprediksi konteks (dapat berupa kalimat) dengan masukan satu
kata. Kedua adalah continuous bag-of-word (CBoW) dengan tujuan memprediksi sebuah kata
dengan masukan sebuah konteks. Penelitian [11] melakukan penanganan data baru dengan
menggunakan teknik pembobotan fitur.
Dalam penelitian lain dinyatakan bahwa untuk menganalisa sentimen terhadap suatu ujaran,
maka dibutuhkan teknik untuk memilah fitur yang berbobot dan signifikan yang akan diproses
pada fase klasifikasi. Teknik yang digunakan berbasis pada pembobotan fitur dan seleksi fitur.
Dalam [12], [13], [14], [10] dan [15] dinyatakan tentang pentingnya seleksi dan ekstraksi fitur.
Penelitian [16] menyatakan bahwa proses seleksi fitur dilakukan guna mengurangi dimensi fitur
dan menghilangkan fitur yang tidak relevan maupun tidak memiliki signifikansi untuk proses
analisa. Akan tetapi, terminologi dengan frekuensi kemunculan yang tinggi pada suatu dokumen,
seringkali tidak begitu signifikan. Penelitian [13] dan [17] menyatakan bahwa teknik word2vec
hanya mengambil sample dari terminologi tersebut, oleh karena itu, dapat menghilangkan
informasi yang signifikan. Dalam artian bahwa teknik tersebut hanya memodelkan konteks lokal
bukan konteks global dari kata sehingga tidak dapat membedakan kata dengan konteks yang
sama tetapi berbeda polaritas sentimennya. Contoh konteks lokal ialah “this food tested
delicious”. Sedangkan konteks global merupakan keseluruhan data yang digunakan. Hal tersebut
dapat mengakibatkan akurasi klasifikasi menjadi rendah dikarenakan adanya kesamaan vektor
kata. Konteks lokal dimaksudkan sebagai kata-kata yang ada dalam satu kalimat, sedangkan
konteks global dimaksudkan sebagai kalimat-kalimat yang ada dalam satu paragraf atau
paragraf-paragraf dalam satu dokumen.
Dalam algoritma deep learning, setiap kata dianggap sebagai bagian dari kalimat. Oleh karena
itu informasi yang penting tidak hilang seperti dalam aspek kedekatan makna dan hubungan
setiap terminologi dalam suatu dokumen. Deep learning juga robust terhadap model representasi
terminologi yang berbeda-beda seperti bag-of-word dan teknik feature vector [18]. Atas dasar
bahwa komputer tidak dapat memahami konsep kata untuk memproses bahasa alami, maka
dibutuhkan mekanisme representasi teks. Mekanisme yang digunakan dalam penelitian ini
adalah pemanfaatan word vector, dengan memetakan kata atau frase kedalam vektor bilangan
asli. Word2vec digunakan sebagai representasi fitur dalam penelitian ini yang diadopsi dari
beberapa penelitian [12], [13], [14], [10] dan [15].
Dengan dasar bahwa komputer tidak dapat mengolah data berbentuk kata secara langsung akan
tetapi mengolah bilangan, maka dari itu dilakukan proses pengubahan term menjadi vektor
bilangan asli. Pengubahan kata atau term ini disebut sebagai teknik representasi term atau fitur.
Teknik yang digunakan untuk menganalisa aspek semantik kata dalam penelitian ini ialah
gabungan antara word2vec dan tf-idf. Penggabungan ini dilakukan guna menutupi kekurangan
teknik representasi fitur tf-idf yang hanya menghitung kemunculan kata dan memboboti kata
yang paling banyak muncul tanpa menganalisa aspek semantik kata. Berdasar pada [14] teknik
word2vec mengubah kata menjadi vektor dan menyimpannya dalam ruang vektor. Setiap kata
dalam dokumen mempunyai vektor sendiri dalam ruang tersebut. Berikut tabulasi beberapa
penelitian terkait yang dilakukan peneliti sebelumnya:

Tabel 1. Road map Penelitian

2023 2024 2025 2026 2027
Pengumpulan
data didapatkan
Pengumpulan dengan scraping
data didapatkan data secara
Data yang digunakan
dengan scraping online dan real-
dalam penelitian ini Pengumpulan data Pengumpulan data
data secara time dari situs
merupakan data didapatkan dengan didapatkan dengan
online dan real- legal yang
sekunder, yaitu data gabungan dari gabungan dari
time dari situs tersedia di
yang diadopsi dari beberapa dataset beberapa dataset
legal yang internet dengan
penelitian yang tersedia di yang tersedia di
Dataset tersedia di jenis dataset
sebelumnya. Data beberapa penyedia beberapa penyedia
internet dengan penelitian yang
tersebut diproses dataset global dataset global
jenis dataset berbeda dan
yang kemudian dengan jumlah dengan jenis dataset
penelitian yang gabungan
menghasilkan model dataset yang penelitian yang
berbeda dan metode yang
untuk data pelatihan bervariasi. berbeda.
gabungan berbeda untuk
dan pengujian.
metode yang gabungan
berbeda. dataset teks,
gambar dan
emoji.
 2023 2024 2025 2026 2027
Menerapkan
Menerapkan teknik
Teknik yang
teknik pengolahan fitur
Teknik yang digunakan dalam
menggabungkan pengolahan fitur dan metode
digunakan dalam penelitian ini adalah
beberapa teknik fitur dan metode klasifikasi yang
penelitian ini adalah gabungan dari
Teknik seleksi dan teknik klasifikasi yang bervariasi dan
gabungan dari beberapa teknik fitur
pengolahan fitur bervariasi dan optimal untuk
beberapa teknik fitur seleksi dengan
lainnya. optimal untuk dataset yang
seleksi. menambahkan
dataset yang real- time dan
jumlah gabungannya.
real- time. berjenis teks,
gambar dan
emoji.
Publikasi Jurnal
Internasional
terindeks Scopus
Publikasi Jurnal dan lembaga
Publikasi Jurnal Publikasi Jurnal Internasional indexing lain yang
Publikasi jurnal Sinta
Luaran Internasional Internasional terindeks Scopus didukung dengan
4
bereputasi terindeks Scopus dan lembaga adanya HKI
indexing lain terhadap produk
kecerdasan
buatan yang
dibuat.

Tabel 2. Konstelasi Penelitian

METODA
Metode atau cara untuk mencapai tujuan yang telah ditetapkan ditulis tidak melebihi 1000 kata.
Bagian ini dapat dilengkapi dengan diagram alir penelitian yang menggambarkan apa yang sudah
dilaksanakan dan yang akan dikerjakan selama waktu yang diusulkan. Format diagram alir dapat
berupa file JPG/PNG. Metode penelitian harus dibuat secara utuh dengan penahapan yang jelas,
mulai dari awal bagaimana proses dan luarannya, dan indikator capaian yang ditargetkan yang
tercermin dalam Rencana Anggaran Biaya (RAB).
Penelitian ini merupakan jenis penelitian eksperimen analisa sentiment. Penelitian ini
bermaksud untuk menguji pendekatan terhadap analisa sentimen yang diusulkan. Proses
pertama dalam penelitian ini ialah pengolahan data mentah pada tahap preprocessing dengan
beberapa teknik yang digunakan seperti tokenization, filtering, case transformation, stop word
removal, dan lemmatization. Data hasil dari tahap preprocessing kemudian diproses kembali
dengan menerapkan gabungan beberapa teknik representasi fitur; word2vec dan tf-idf. Setelah
proses tersebut, data kemudian diproses menggunakan algoritma klasifikasi deep neural
network spesifik kepada algoritma pembelajaran backpropagation.
 Data latih Data uji

Preprocessing: Preprocessing:
Lemmatization Case Transformation
Lemmatization
Tokenization Filtering
Case Transformation Stop-word Removal
Tokenization
Filtering
Stop-word Removal

Representasi fitur: Representasi fitur:

Word2vec TF-IDF Word2vec TF-IDF

Pelatihan:
Deep Neural Network

Model

Hasil klasifikasi

Evaluasi

Gambar 1. Alur Klasifikasi

Preprocessing
Dalam tahap ini dilakukan beberapa teknik yang diterapkan pada data ulasan film mentah.
Beberapa teknik tersebut digambarkan pada Gambar 2.

Tokenization Filtering Stop word

removal

Lemmatization Case
transformation

Gambar 2. Tahapan Preprocessing

JADWAL PENELITIAN
Jadwal penelitian disusun berdasarkan pelaksanaan penelitian, harap disesuaikan berdasarkan lama
tahun pelaksanaan penelitian

Tahun ke-1
Bulan
No Nama Kegiatan 1 2 3 4 5 6 7 8 9 10 11 12
Perencanaan dan pengumpulan
1 
informasi
2 Penyusunan instrumen 
3 Pengumpulan dataset 
4 Analisis dataset 
5 Eksperimen   
6 Penyusunan laporan  
7 Penulisan artikel ilmiah 

DAFTAR PUSTAKA
Sitasi disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan, mengikuti
format Vancouver. Hanya pustaka yang disitasi pada usulan penelitian yang dicantumkan dalam
Daftar Pustaka.
[1] M. Soleymani, D. Garcia, B. Jou, B. Schuller, S. F. Chang, and M. Pantic, “A survey
of multimodal sentiment analysis,” Image Vis. Comput., vol. 65, pp. 3–14, 2017.
[2] V. K. Jain, S. Kumar, and S. L. Fernandes, “Extraction of emotions from multilingual
text using intelligent text processing and computational linguistics,” J. Comput. Sci.,
vol. 21, pp. 316–326, 2017.
[3] B. J. Gabriel Cánepa, What You Need to Know About Machine Learning, no. April.
2000.
[4] M. D. Devika, C. Sunitha, and A. Ganesh, “Sentiment Analysis: A Comparative
Study on Different Approaches,” Procedia Comput. Sci., vol. 87, pp. 44–49, 2016.
[5] I. El Alaoui, Y. Gahi, R. Messoussi, Y. Chaabi, A. Todoskoff, and A. Kobi, “A novel
adaptable approach for sentiment analysis on big social data,” J. Big Data, vol. 5, no.
1, 2018.
[6] P. G. Preethi, V. Uma, and A. Kumar, “Temporal sentiment analysis and causal rules
extraction from tweets for event prediction,” Procedia Comput. Sci., vol. 48, no. C,
pp. 84–89, 2015.
[7] C. Hung and S. J. Chen, “Word sense disambiguation based sentiment lexicons for
sentiment classification,” Knowledge-Based Syst., vol. 110, pp. 224–232, 2016.
[8] Y. Ko, J. Park, and J. Seo, “Improving text categorization using the importance of
sentences,” Inf. Process. Manag., vol. 40, no. 1, pp. 65–79, 2004.
[9] R. Bandana, “Sentiment Analysis of Movie Reviews Using Heterogeneous Features,”
2018 2nd Int. Conf. Electron. Mater. Eng. Nano-Technology, pp. 1–4, 2018.
[10] K. Chakraborty and S. Bhattacharyya, “Comparative Sentiment Analysis on a Set of
Movie Reviews Using Deep Learning Approach,” Int. Conf. Adv. Mach. Learn.
Technol. Appl., vol. 723, pp. 311–318, 2018.
[11] K. Kim, “An improved semi-supervised dimensionality reduction using feature
weighting: Application to sentiment analysis,” Expert Syst. Appl., vol. 109, pp. 49–65,
2018.
[12] M. Abdel Fattah, “New term weighting schemes with combination of multiple
classifiers for sentiment analysis,” Neurocomputing, vol. 167, pp. 434–442, 2015.
[13] Y. Parikh, A. Palusa, and S. Kasthuri, “Efficient Word2Vec Vectors for Sentiment
Analysis to Improve Commercial Movie Success,” in Advanced Computational and
Communication, 2018, vol. 706.
[14] J. Abonyi, B. Feil, and A. Abraham, “Comparative Evaluation of Various Feature
Weighting Methods on Movie Reviews,” in Computational Intelligence in Data
Mining, 2019, vol. 29, no. 1, pp. 3–12.
[15] M. Avinash and E. Sivasankar, “A Study of Feature Extraction Techniques for
Sentiment Analysis,” in Emerging Technologies in Data Mining and Information,
2019, vol. 813.
[16] C. Shang, M. Li, S. Feng, Q. Jiang, and J. Fan, “Feature selection via maximizing
global information gain for text classification,” Knowledge-Based Syst., vol. 54, pp.
298–309, 2013.
[17] D. Tang, F. Wei, N. Yang, M. Zhou, T. Liu, and B. Qin, “Learning Sentiment-
Specific Word Embedding for Twitter Sentiment Classification,” Proc. 52nd Annu.
Meet. Assoc. Comput. Linguist. (Volume 1 Long Pap., pp. 1555–1565, 2014.
[18] S. Sohangir, D. Wang, A. Pomeranets, and T. M. Khoshgoftaar, “Big Data: Deep
Learning for financial sentiment analysis,” J. Big Data, vol. 5, no. 1, 2018
PERSEľUJUAN PENGUSUL
ľanggal Pengiíiman ľanggal Peísetujuan Nama Pimpinan Sebutan Jabatan Unit Nama Unit Lembaga
Pembeíi Peísetujuan Pengusul
- - - - -

Komentaí : -