Feature Expansion Word2Vec Untuk Analisis Sentimen Kebijakan Publik di Twitter
Total View This Week0
Total View This Week0
Institusion
Universitas Telkom
Author
ALVI RAHMY ROYYAN
Subject
DATA ANALYSIS
Datestamp
2021-10-29 00:00:00
Abstract :
Para pengguna media sosial khususnya Twitter, dapat bebas berekspresi mengeluarkan pendapat atau informasi lainnya dalam bentuk tweet tentang apapun tidak terkecuali dalam hal menanggapi sebuah kebijakan publik. Dalam sebuah tweet yang ditulis, terdapat jumlah panjang kalimat yang dibatasi sampai 280 karakter, hal ini memungkinkan terjadinya permasalahan seperti ketidakcocokan kosakata. Oleh karena itu, dalam penelitian ini dilakukan penerapan metode Feature Expansion Word2vec untuk mengatasi terjadinya ketidakcocokan kosakata tersebut. Penelitian ini melakukan pengembangan dan perbandingan sistem analisis sentimen Twitter menggunakan metode Feature Expansion Word2vec dengan algoritma klasifikasi Logistic Regression (LR) dan Support Vector Machine (SVM) dan sistem tanpa metode Feature Expansion Word2Vec. Hasil dari penelitian ini, metode Feature Expansion Word2Vec pada algoritma klasifikasi SVM berhasil meningkatkan akurasi sistem hingga 0,99% dengan nilai akurasi 78,99% serta berhasil meningkatkan F1-Score hingga 1,23% dengan nilai 0,7884.
Para pengguna media sosial khususnya Twitter, dapat bebas berekspresi mengeluarkan pendapat atau informasi lainnya dalam bentuk tweet tentang apapun tidak terkecuali dalam hal menanggapi sebuah kebijakan publik. Dalam sebuah tweet yang ditulis, terdapat jumlah panjang kalimat yang dibatasi sampai 280 karakter, hal ini memungkinkan terjadinya permasalahan seperti ketidakcocokan kosakata. Oleh karena itu, dalam penelitian ini dilakukan penerapan metode Feature Expansion Word2vec untuk mengatasi terjadinya ketidakcocokan kosakata tersebut. Penelitian ini melakukan pengembangan dan perbandingan sistem analisis sentimen Twitter menggunakan metode Feature Expansion Word2vec dengan algoritma klasifikasi Logistic Regression (LR) dan Support Vector Machine (SVM) dan sistem tanpa metode Feature Expansion Word2Vec. Hasil dari penelitian ini, metode Feature Expansion Word2Vec pada algoritma klasifikasi SVM berhasil meningkatkan akurasi sistem hingga 0,99% dengan nilai akurasi 78,99% serta berhasil meningkatkan F1-Score hingga 1,23% dengan nilai 0,7884.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
