Publisher

ANTARBANGSAANTARBANGSA

Journal Jurnal Sistem InformasiJurnal Sistem Informasi Abstract

Dalam beberapa tahun terakhir banyak analisis sentimen dan aplikasi opinion mining telah dikembangkan untuk menganalisis pendapat, perasaan dan sikap tentang produk, merek, dan berita, dan sejenisnya. Aplikasi ini menambang pendapat dari berbagai sumber seperti forum online dan situs berita dan dari ulasan film, produk dan hotel. Algoritma Naïve Bayes adalah teknik machine learning yang populer untuk opinion mining, karena sangat sederhana, efisien dan memiliki performa yang baik pada banyak domain. Namun, Naïve Bayes memiliki kekurangan yaitu sangat sensitif pada fitur yang terlalu banyak, yang mengakibatkan akurasi klasifikasi menjadi rendah. Oleh karena itu, dalam penelitian ini digunakan metode pemilihan fitur Genetic Algorithm agar bisa meningkatkan akurasi Naïve Bayes. Penelitian ini menghasilkan klasifikasi teks dalam bentuk positif atau negatif dari review produk kecantikan. Pengukuran berdasarkan akurasi Naive Bayes sebelum dan sesudah penambahan metode pemilihan fitur. Evaluasi dilakukan menggunakan 10 fold cross validation. Pengukuran akurasi diukur dengan confusion matrix dan kurva ROC. Hasil penelitian menunjukkan peningkatan akurasi Naïve Bayes dari 65.50% menjadi 83%.

Conclusion

Penerapan metode pemilihan fitur Genetic Algorithm terbukti bisa meningkatkan akurasi algoritma Naïve Bayes.Data review produk kecantikan dapat diklasifikasi dengan baik ke dalam bentuk positif dan negatif.Akurasi Naïve Bayes saat sebelum menggunakan metode pemilihan fitur hanya mencapai 65.50% Sedangkan setelah menggunakan metode pemilihan fitur Genetic Algorithm, akurasinya meningkat hingga mencapai 83%.

Future Research

Penelitian selanjutnya dapat berfokus pada eksplorasi metode pemilihan fitur alternatif selain Genetic Algorithm, seperti Information Gain atau Chi-Square, untuk mengidentifikasi kombinasi fitur optimal yang mampu meningkatkan akurasi klasifikasi secara signifikan. Selain itu, penelitian perlu memperluas cakupan data dengan mengintegrasikan data dari berbagai sumber review produk kecantikan untuk menciptakan model yang lebih robust dan adaptif terhadap variasi gaya bahasa dan preferensi pengguna. Pengembangan lebih lanjut dapat mengarah pada pemanfaatan teknik deep learning, khususnya model transformer seperti BERT, untuk menangkap konteks semantik yang lebih kaya dalam review produk kecantikan, dengan tujuan menghasilkan analisis sentimen yang lebih akurat dan komprehensif.

Metadata

File size	693.94 KB
Pages	6
DMCA	Report