Optimasi Ukuran Dataset untuk Analisis Sentimen Menggunakan Teknik Pembelajaran Mesin dan Pembelajaran Mendalam
DOI:
https://doi.org/10.26618/xsq0pg68Keywords:
Kata kunci, Analisis sentimen, Convolutional Neural Network, Naïve Bayes, Regresi Logistik, Support Vector Machine.Abstract
Penelitian ini bertujuan untuk mengoptimalkan ukuran dataset yang digunakan dalam analisis
sentimen melalui penerapan teknik pembelajaran mesin dan pembelajaran mendalam. Metode
pembelajaran mesin yang digunakan mencakup Naive Bayes, Regresi Logistik, dan Support
Vector Machine, sedangkan Convolutional Neural Network digunakan untuk metode
pembelajaran mendalam. Data yang digunakan dalam penelitian ini berasal dari ulasan Google
Maps mengenai beberapa tempat wisata, seperti Bugis Waterpark, Akkarena, Tanjung Bayang,
Pantai Bosowa, dan Wisata Kebun. Tahap pra-pemrosesan data meliputi pembersihan data,
casefolding, penghapusan stopwords, tokenisasi, dan stemming. Pengujian dilakukan dengan
sembilan ukuran dataset yang berbeda (4500, 4000, 3500, 3000, 2500, 2000, 1500, 1000, dan
500) serta pembagian data latih dan data uji dengan rasio 90:10, 80:20, dan 70:30. Hasil
pengujian menunjukkan bahwa Regresi Logistik dengan ukuran dataset 1000 dan Pembagian
90:10 mencapai tingkat akurasi tertinggi sebesar 85%. Studi ini menyimpulkan bahwa ukuran
dataset yang optimal bervariasi tergantung pada metode yang digunakan dan menggarisbawahi
pentingnya pemilihan ukuran dataset yang tepat untuk meningkatkan kinerja analisis sentimen.
.
Downloads
References
A. Nurzahputra And A. Muslim, Analisis Sentimen Pada Opini Mahasiswa Menggunakan
Natural Language Processing. 2016.
A. S. Stone And F. Fathoni, “Analisis Sentiment Pelanggan Terhadap Penilaian Produk
Pada Toko Online Shop Amreta Menggunakan Metode Naïve Bayes Classification,”
Jurnal Media Informatika Budidarma, Vol. 6, No. 3, P. 1590, Jul. 2022, Doi:
30865/Mib.V6i3.4436.
A. Raup, W. Ridwan, Y. Khoeriyah, Q. Yuliati Zaqiah, And U. Islam Negeri Sunan Gunung
Djati Bandung, “Deep Learning Dan Penerapannya Dalam Pembelajaran,” 2022. [Online].
Available: Http://Jiip.Stkipyapisdompu.Ac.Id
F. Fitroh And F. Hudaya, “Systematic Literature Review: Analisis Sentimen Berbasis Deep
Learning,” Jurnal Nasional Teknologi Dan Sistem Informasi, Vol. 9, No. 2, Pp. 132–140,
Aug. 2023, Doi: 10.25077/Teknosi.V9i2.2023.132-140.
F. Bei And S. Saepudin, “Analisis Sentimen Aplikasi Tiket Online Di Play Store
Menggunakan Metode Support Vector Machine (Svm),” 2021.
P. Arsi And R. Waluyo, “Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia
Menggunakan Algoritma Support Vector Machine (Svm),” Vol. 8, No. 1, Pp. 147–156,
, Doi: 10.25126/Jtiik.202183944.
Rahmadini, E. Lubis Lorencis Erika, A. Priansyah, Y. R.W.M, And T. Meutia, “Penerapan
Data Mining Untuk Memprediksi Harga Bahan Pangan Di Indonesia Menggunakan
Algoritma K-Nearest Neighbor,” 2023.
A. Herdhianto, “Sentiment Analysis Menggunakan Naïve Bayes Classifier (Nbc) Pada
Tweet Tentang Zakat,” 2020.
D. A. Ayungtyas, “Klasifikasi Menggunakan Metode Regresi Logistik Dan Support Vector
Machine,” 2017.
V. Seplifriskila Tampubolon, E. J. Sagala, P. Manajemen, B. Telekomunikasi, And D.
Informatika, “Pengaruh Kepuasan Kerja Dan Komitmen Organisasi Terhadap Turnover
Intention Pada Karyawan Pt. Bum Divisi Pmks,” Jurnal Business Management Journal,
Vol. 16, No. 2, Pp. 65–80, 2020, Doi: 10.30813/Bmj.
F. Abdusyukur, “Penerapan Algoritma Support Vector Machine (Svm) Untuk Klasifikasi
Pencemaran Nama Baik Di Media Sosial Twitter,” Komputa : Jurnal Ilmiah Komputer Dan
Informatika, Vol. 12, No. 1, 2023.
D. Tri Hermanto, A. Setyanto, And E. T. Luthfi, “Algoritma Lstm-Cnn Untuk Sentimen
Klasifikasi Dengan Word2vec Pada Media Online Lstm-Cnn Algorithm For Sentiment
Clasification With Word2vec On Online Media,” 2021.
Mustika Et Al., Data Mining Dan Aplikasinya. 2021.
K. Kristiawan, D. D. Somali, T. A. Linggan Jaya, And A. Widjaja, “Deteksi Buah
Menggunakan Supervised Learning Dan Ekstraksi Fitur Untuk Pemeriksa Harga,” Jurnal
Teknik Informatika Dan Sistem Informasi, Vol. 6, No. 3, Dec. 2020, Doi:
28932/Jutisi.V6i3.3029.
M. Irfan, “Penerapan Chatbot Untuk Mendeteksi Kemiripan Gambar Asli Atau Manipulasi
Menggunakan Metode Metadata Dan Error Level Analysis (Ela) Sebagai Komputasi Cnn,”
Downloads
Published
Issue
Section
License
Copyright (c) 2026 St Nur Halisah Duli, Fahrim Irhamna Rahman, Titin Wahyuni
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
