YAYASAN AKRAB PEKANBARU
Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
ANALISIS SENTIMEN ARTIKEL BERITA TOKOH SEPAK BOLA DUNIA
MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN
NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION
-------------------------------------------------------------------------------------------------Fuad Nur Hasan.
Mochamad Wahyudi Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandir.
(Naskah diterima: 12 Agustus 2018, disetujui: 12 Oktober 2.
Abstract Information about the actual news that occurs every day, or what happens every minute that can now be easily obtained such as general online news sites containing various actual information, as well as news sites that have special rubrics, for example news about politics, economics, education , entertainment, sports and so on.
by using sentiment analysis by classifying documents with text mining.
The algorithm used in this study is Naive Bayes and Support Vector Machine based on Particle Swarm Optimization.
The results obtained from testing NB.
NB (PSO).
SVM and SVM (PSO) data will be compared.
SVM (PSO) accuracy has a higher accuracy compared to SVM.
NB and NB (PSO).
So it can be concluded that the best optimization application in this model is that Support Vector Machine based on Particle Swarm Optimization (PSO) can provide a solution to classification problems in the case of sentiment analysis of world football figures Lionel Messi.
Keywords: Sentiment Analysis.
Mining Text.
Classification.
Naive Bayes.
Support Vector Machine.
Particle Swarm Optimization Abstrak Informasi tentang berita aktual yang terjadi setiap hari, atau apa yang terjadi setiap menit yang kini dapat dengan mudah diperoleh seperti situs berita online yang bersifat umum berisi berbagai informasi aktual, serta situs berita yang memiliki rubrik khusus, untuk misal berita tentang politik, ekonomi, pendidikan, hiburan, olahraga dan sebagainya.
dengan menggunakan analisis sentimen dengan mengklasifikasikan dokumen dengan penambangan teks.
Algoritma yang digunakan dalam penelitian ini adalah Naive Bayes dan Support Vector Machine berdasarkan Particle Swarm Optimization.
Hasil yang diperoleh dari pengujian NB.
NB (PSO).
SVM dan SVM (PSO) data akan dibandingkan.
Akurasi SVM (PSO) mendapat akurasi lebih tinggi dibandingkan dengan SVM.
NB dan NB (PSO).
Jadi dapat disimpulkan bahwa aplikasi optimasi terbaik dalam model ini adalah Support Vector Machine berdasarkan Particle Swarm Optimization (PSO) dapat memberikan solusi untuk masalah klasifikasi dalam kasus analisis sentimen dari tokoh sepakbola dunia Lionel Messi.
YAYASAN AKRAB PEKANBARU
Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
Kata kunci: Analisis Sentimen.
Pertambangan Teks.
Klasifikasi.
Naive Bayes.
Mesin Support Vector.
Particle Swarm Optimization PENDAHULUAN artikel berita saja, tetapi juga dapat digunakan untuk melihat isu-isu yang sedang terjadi.
nformasi mengenai berita-berita aktual yang terjadi setiap hari, atau yang terjadi setiap menit yang saat ini bisa dengan Hal menggunakan analisis mudah didapatkan seperti situs berita online mengekstrak dan mengolah data tekstual informasi teraktual, maupun situs berita yang secara otomatis untuk mendapatkan informasi menampilkan rubrik secara khusus, misal berita tentang politik, ekonomi, pendidikan.
Besarnya pengaruh dan manfaat dari hiburan, olahraga dan lain sebagainya.
Hal analisis sentimen menyebabkan penelitian dan tersebut bisa didapatkan dengan membuka berbagai media online yang saat ini sangat kembang pesat (Buntoro, 2.
Pengukuran beragam jenisnya (Zain, 2.
Berita yang sentimen pada informasi open source saat ini disajikan biasanya dalam bentuk teks pada merupakan area penelitian yang aktif (Dhande al, 2.
berdasarkan isi pembahasan dari masingmasing kategori berita (Widodo et.
al, 2.
Dewasa di Indonesia Analisis Penerapan metode machine learning digunakan untuk mengklasifikasi polaritas suatu berita dari sumber data yang sangat banyak media online yang menyediakan Untuk melakukan hal itu, bisa berbagai macam berita bermunculan seperti menggunakan salah satu fungsi dari text com, w.
com, w.
mining, dalam hal ini adalah klasifikasi dokumen (Nurhuda et al, 2.
Text mining com, w.
com dan sebagainya.
Peng- merupakan penerapan konsep dari teknik data gunaan situs berita online sekarang ini tidak mining untuk mencari pola dalam teks, hanya terbatas sebagai media untuk membaca bertujuan untuk mencari informasi yang bermanfaat dengan tujuan tertentu (Anjani.
YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
Text mining dapat diolah untuk Machine.
Akurasi berbagai macam keperluan diantaranya adalah untuk summarization, pencarian dokumen teks normalisasi dan stemming pada data sebesar dan sentimen analisis (Maulana et.
al, 2.
89,2655% menggunakan metode SVM, dan Pada penelitian yang sudah dilakukan penelitian tentang analisis sentimen terhadap 88,7006% SVM (Saputra et al, 2.
Di dalam penelitian ini, akan dibahas tahapan yang dilalui untuk melakukan proses pengambilan data yaitu Boolean searching analisis sentimen terhadap artikel berita sepak dengan operator AuANDAy.
Data yang sudah bola dengan tokoh dunia Lionel Messi.
didapat dilabeli positif, netral dan negatif Dimulai dari tahap preprocessing sampai kemudian dikoreksi oleh ahli bahasa.
Setelah tahap analisis sentimen dengan Naive Bayes itu dilakukan preprocessing baik itu mengubah Classifier kata tidak baku menjadi baku atau biasa berbasis Particle Swarm Optimization serta disebut normalisasi menggunakan kamus dan bagaimana mengukur kualitas hasil analisis mencari akar kata yaitu stemming dengan menggunakan dari masing-masing algoritma bantuan aplikasi Sastrawi Master.
Selanjutnya dilakukan juga tokenisasi N-Gram.
Unigram, (PSO) merupakan teknik optimasi yang Bigram, kemudian data yang dinormalisasi saja sebesar Presiden Jokowi.
Pada penelitian tersebut.
Trigram menghilangkan kata-kata Support Particle Vector Swarm menigkatkan bobot atribut.
Informasi yang berharga pada suatu konteks II.
KAJIAN TEORI
atau biasa disebut stopword removal, dan 1 Text Mining Optimization umum digunakan dan tidak mempunyai mempertahankan emoticon karena emoticon Machine Text mining merupakan area penelitian memecahkan permasalahan informasi yang Algoritma klasifikasi yang digunakan yaitu berlebih dengan menggunakan teknik data Naive Bayes Classifier dan Support Vector mining, machine learning.
Natural Language YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
Processing (NLP).
Information Retrieval (IR).
Analisis sistem mempunyai tugas untuk dan manajemen pengetahuan.
Text mining mengelompokkan teks yang ada dalam sebuah melibatkan tahapan preprocessing koleksi kalimat atau dokumen kemudian menentukan dokumen seperti kategorisasi teks, ekstraksi pendapat yang dikemukakan dalam dokumen informasi, ekstraksi istilah (Feldman dan tersebut apakah bersifat positif, negatif atau Sanger, 2.
netral (Manalu, 2.
Menurut Feldman dan Sanger bahwa 3 Teknik Klasifikasi tahap-tahap text mining secara umum adalah Teknik klasifikasi adalah sebuah model text preprocessing dan feature selection.
Tahap text preprocessing adalah tahap awal dikontruksi untuk memprediksi categorical dari text mining.
Tahap ini mencakup semua label seperti AuamanAy atau AuberesikoAy untuk rutinitas, dan proses untuk mempersiapkan data aplikasi peminjaman uang.
Au yaAy atau data yang akan digunakan pada operasi Autidak untuk data marketing atau Autreatment knowledge discovery sistem text mining.
AAy.
Autreatment BAy.
Autreatment CAy untuk data 2 Analisis Sentimen Kategori tersebut dapat direpresentasi- Analisis sentimen adalah sebuah proses dengan nilai yang sesuai dengan untuk menentukan sentimen atau opini dari kebutuhannya (Vulandari,2.
Klasifikasi seseorang yang diwujudkan dalam bentuk teks merupakan tugas yang sama dengan data dan bisa dikategorikan sebagai sentimen mining, dimana tujuan utama dari klasifikasi posisif atau negatif (Hadna,2.
Analisis adalah prediksi label kelas.
sentimen mengacu pada bidang yang luas dari 4 Nayve Bayes Classifier pengolahan bahasa alami, komputasi linguistik Klasifikasi Naive Bayes adalah peng- dan text mining yang bertujuan menganlisa klasifikasian statistik yang dapat digunakan pendapat, sentimen, evaluasi, sikap, penilaian untuk memprediksi probabilitas keanggotaan dan emosi seseorang apakah pembicara atau suatu class.
Menurut Wu dan Kumar bahwa penulis berkenaan dengan suatu topik, produk.
Naive Bayes merupakan metode klasifikasi populer dan masuk dalam sepuluh algoritma kegiatan tertentu (Manalu,2.
terbaik dalam data mining.
Naive Bayes YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
Berikut ini merupakan kekuatan dari mencari peluang terbesar dari kemungkinan Support Vector Machine (SVM) antara lain klasifikasi, dengan cara melihat frekuensi tiap (Suyanto,2.
klasifikasi pada data training (Mukminin & Mempunyai kemampuan generalisasi yang Riana, 2.
Metode NBC menempuh dua tahap Mampu menghasilkan model klasifikasi dalam proses klasifikasi teks, yaitu tahap pelatihan dan tahap klasifikasi.
Pada tahap himpunan data yang relatif sedikit hanya pelatihan dilakukan proses analisis terhadap SVM memiliki konsep dan penentuan probabilitas bagi tiap kategori parameter yang harus diatur.
berdasarkan sampel dokumen.
Pada tahap Relatif mudah diimplementasikan karena klasifikasi ditentukan nilai kategori dari suatu penentuan SVM dapat dirumuskan dalam dokumen berdasarkan term yang muncul masalah QP (Quadratic Programmin.
(Hamzah,2.
6 Particle Swarm Optimization Menurut Basari bahwa Particle Swarm Optimization 5 Support Vector Machine (SVM) Support Vector Machine (SVM) pertama (PSO) kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep- Dalam PSO terdapat beberapa SVM adalah metode learning machine yang bekerja atas prinsip Structural .
ttribute weigh.
terhadap semua atribut atau Risk Minimization (SRM) dengan tujuan variabel yang dipakai, menseleksi atribut .
ttribute selectio.
dan feature selection.
memisahkan dua buah class pada input space (Nugroho et.
al,2.
(Indrayuni,2.
YAYASAN AKRAB PEKANBARU
Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
7 Model CRISP-DM Data Preparation CRISP-DM (CRoss-Industry Standard Tahapan ini meliputi banyak kegiatan, seperti Process for Data minin.
merupakan suatu membersihkan data, memformat ulang data, konsorsium perusahaan yang didirikan oleh mengurangi jumlah data, dan sebagainya yang Komisi Eropa pada tahun 1996.
CRISP-DM
adalah standarisasi data mining yang disusun konsisten sesuai format yang dibutuhkan.
oleh tiga pengagas data mining market yaitu Daimler Chrysler.
SPSS.
NCR (Budiman et al.
Model adalah representasi komputasi dari CRISP-DM tidak menentukan standar hasil pengamatan yang merupakan hasil dari atau karakteristik tertentu karena setiap data pencarian dan identifikasi pola-pola yang yang akan dianalisis akan diproses kembali terkandung pada data.
pada fase-fase di dalamnya (Imtiyaz et al,2.
Evaluasi bertujuan untuk menentukan nilai Proses data mining berdasarkan CRIPS- Modelling Evaluation kegunaan dari model yang telah berhasil kita DM terdiri dari enam fase sebagai berikut :
buat pada langkah sebelumnya.
Business Understanding Deployment Pada tahapan pertama ini harus didefinisikan Pada tahap ini, hasil yang diperoleh dari apa pengetahuan yang ingin didapatkan dalam seluruh tahapan sebelumnya digunakan secara bentuk pertanyaan-pertanyaan yang sifatnya 8 Evaluasi dan Model Validasi meningkatkan keuntung-an, bagaimana cara Confusion matrix ini berisi jumlah mengantisipasi kesalahan cacat produk, dan elemen yang telah dikelompokkan dengan benar atau tidak benar untuk setiap kelas.
Salah satu manfaat dari confusion matrix Data Understanding Tahapan adalah mudah untuk melihat sistem confusion dua kelas.
Untuk setiap contoh di test set, akan memahami aset data yang kita miliki.
Data kebenaran dan realibilitasnya.
Contoh .
yang diklasifikasikan dengan benar YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
oleh classifier disebut True Positive .
rue kurva ROC yang menggambarkan trade off negativ.
, contoh positif .
yang salah antara true positive terhadap false positive.
diklasifikasikan adalah disebut False Negative .
alse positiv.
(Rokach & Maimon, 2.
Kurva ROC di mana sumbu X mewakili tingkat false positive dan Y -axis merupakan Area under curve (AUC) sebagai salah tingkat true positive.
Titik ideal pada ROC satu indikator untuk mengevaluasi kinerja dari Kurva akan menjadi .
Artinya, semua AUC adalah area di bawah kurva contoh positif diklasifikasikan dengan benar ROC.
AUC memiliki potensi secara signifikan dan tidak ada contoh negatif yang salah klasifikasi sebagai positif.
METODE PENELITIAN
1 Pengumpulan Data pengoperasian kondisi, dan merupakan ukuran Data yang akan digunakan adalah data umum prediktif.
Selanjutnya.
AUC memiliki dari artikel berita olahraga mengenai bintang statistik yang jelas interpretasinya.
sepak bola dunia yaitu Lionel Messi.
Data Tabel 2.
2 Tabel Nilai AUC tersebut di peroleh dari tiga situs online berita AUC 90 Ae 1.
Meaning 80 Ae 0.
70 Ae 0.
Symbol com, w.
com, dan com dengan beberapa kata kunci pencarian .
yaitu Messi.
Lionel Messi.
La Pulga.
Barcelona.
Argentina serta kata kunci lain yang berhubungan dengan fair classification Lionel Messi.
Pada situs berita tersebut 60 Ae 0.
< 0.
banyak terdapat artikel atau berita mengenai Failure mengklasifikasikan data berita positif dan data Lionel Messi sehingga penulis gunakan untuk berita negatif.
Data berita yang digunakan Sumber : Gorunescu (Wahono,2.
Kurva
ROC
(Receiver Operation dalam penelitian ini sebanyak 200 data.
2 Pengolahan Data Awal Charactheristi.
Menurut Provost and Fawcett Pada tahap ini dilakukan klasifikasi teks menjelaskan pengukuran lain menggunakan atau sentimen dengan tahapan preprocessing YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
agar teks yang memiliki isi yang tidak fase ini yaitu berita yang disajikan biasanya sempurna seperti data yang hilang, data yang dalam bentuk teks pada media digital yang tidak valid atau juga hanya sekedar salah dikelompokkan berdasarkan isi pembahasan Data tersebut lebih baik dibuang karena dari masing-masing kategori berita.
Rivalitas keberadaannya bisa mengurangi mutu atau antar pemain sepak bola juga sering diamati Untuk itu, dalam pengolahan data melalui konten di media sosial.
Analisis awal, text mining harus melalui beberapa sentimen ini dilakukan untuk mencari metode tahapan yang disebut dengan preprocessing.
klasifikasi yang dapat Tahapan preprocessing yang dapat dilakukan menentukan artikel berita positif dan negatif.
yaitu: Tokenize.
Filter Tokens (By Lengt.
Stopwords Removal.
Transform Cases Pada membantu dalam pemahaman untuk mencari metode klasifikasi (Utami,2.
yang terbaik agar dapat membantu pada saat 3 Metode Yang Diusulkan proses pengolahan data yang akan dilakukan Metode atau model yang diusulkan yaitu menggunakan dua algoritma Naive Bayes.
Support Vector Machine dengan masing- masing menggunakan seleksi fitur Particle Swarm Optimization menggunakan feature selection.
2 Data Understanding Pada Penulis metode tersebut NB dan SVM berbasis PSO.
(PSO).
Selain itu metode yang yang diusulkan dilakukan proses pengambilan data mentah IV.
HASIL DAN PEMBAHASAN
sesuai dengan atribut yang dibutuhkan.
Data 1 Business Understanding diperoleh dari situs berita online yaitu Pada tahapan business understanding, com, w.
com dan w.
dilakukan pemahaman terhadap objek pene- Data yang diambil adalah data Pemahaman mengenai objek penelitian terbaru mengenai bintang sepak bola dunia dilakukan dengan menggali informasi melalui Lionel Messi.
Data primer yang diperoleh beberapa situs berita online terhadap tokoh sebanyak 200 data artikel yaitu Detik Sport sepak bola dunia Lionel Messi.
Motivasi pada dengan 86 data.
Bola dengan 58 data dan YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
Bolalob Dengan kata-kata menggunakan sumber data yang diperoleh, mempunyai makna tersendiri jika dipisahkan dibuat dataset dengan atribut yaitu data berita dengan kata lain dan tidak terkait dengan kata yang berisi semua data-data berita tentang sifat yang berhubungan dengan sentimen.
tokoh sepak bola dunia Lionel Messi, data dikelompokkan menjadi data positif sebanyak Pada tahap ini, operator yang digunakan 100 data dan data negatif 100 data.
Semua adalah filter stopword .
karena data berita tersebut dikelompokan menjadi dataset yang digunakan berbahasa Indonesia.
satu baik itu berita positif atau berita negatif Pada proses ini terlebih dahulu dibuat daftar dan disimpan dalam bentuk ekstensi .
kata-kata yang termasuk stopwords kemudian 3 Data Preparation file nya akan diupload ke dalam operator filter Stopwords Removal Tahap data preparation merupakan tahap stopword .
Dalam tahap ini, kata- dengan proses penyiapan data yang bertujuan kata yang tidak relevan akan dihapus seperti untuk mendapatkan data yang bersih dan siap kata tetapi, untuk, dengan, yang merupakan untuk digunakan dalam penelitian.
Dalam text kata-kata mining tahapan awal yang akan dilakukan tersendiri jika dipisakan dengan kata yang lain dan tidak terkait dengan kata sifat yang Berikut merupakan tahapan yang dilakukan dalam berhubungan sentimen.
Dalam proses ini, kata-kata yang tidak relevan Tokenize Transform Cases Dalam proses tokenisasi ini, semua kata yang akan diubah, seperti kata yang mengandung ada di dalam tiap dokumen akan dikumpulkan huruf besar yang diubah menjadi huruf kecil dan dihilangkan tanda baca, serta dihilangkan sehingga dapat berhubungan dengan sentimen.
juga simbol, karakter khusus ataupun bukan 4 Modelling Merupakan Filter Token (By Lengt.
mining dengan menentukan algoritma yang Dalam proses ini,kata-kata yang memiliki akan digunakan.
Tool yang digunakan adalah panjang kurang dari 4 atau lebih dari 25 akan RapidMiner versi 7.
Berikut adalah desain dihapus, seperti kata yg, tdk, jd, ga, ane, gan model Rapidminer yang digunakan yaitu :
YAYASAN AKRAB PEKANBARU
Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
Kurva ROC SVM dengan nilai AUC (Area Under Curv.
yang dihasilkan dari 3 diatas sebesar 0.
893 dimana Excellent Classification.
Gambar 4.
1 Desain Model Perbandingan Confusion Matrix (Accurac.
SVM Algoritma (SVM dan NB) Gambar 4.
2 Desain Model Perbandingan Algoritma (SVM PSO dan NB PSO) 5 Evaluation Tahapan accuracy: 78.
50% /- 10.
97% .
Positif Negatif Positif Negatif Tabel 4.
1 Confusion Matrix SVM Akurasi yang diperoleh yaitu 78.
50% dari menentukan nilai kegunaan dari model yang Untuk evaluasi digunakan 10fold cross validation.
Dari hasil pemodelan yang telah dilakukan sebelumnya.
Berikut ini akan dijelaskan Kurva ROC dan Confusion Matrix dari masing-masing algoritma :
Kurva ROC Support Vector Machine 100 data artikel berita positif dan 100 artikel berita negatif tentang tokoh sepak bola dunia Lionel Messi.
Data berita positif yang sesuai prediksi yaitu 80 data.
Data berita negatif yang termasuk ke dalam prediksi positif yaitu 23 data.
Data berita positif yang termasuk kedalam prediksi negatif yaitu 20 data dan data berita negatif yang sesuai prediksi yaitu 77 data.
Kurva ROC Support Vector Machine (PSO) Gambar 4.
3 Kurva ROC SVM
YAYASAN AKRAB PEKANBARU
Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
data berita negatif yang sesuai prediksi yaitu 82 data.
Kurva ROC Naive Bayes Gambar 4.
4 Kurva ROC SVM PSO Kurva ROC Support Vector Machine berbasis Particle Swarm Optimization (PSO) dengan nilai AUC (Area Under Curv.
yang Gambar 4.
5 Kurva ROC Naive Bayes dihasilkan dari gambar 4.
4 diatas sebesar Kurva ROC NB dengan nilai AUC (Area 914 dimana diagnosa hasilnya Under Curv.
yang dihasilkan dari gambar 4.
excellent classification.
diatas sebesar 0.
633 dimana diagnosa hasilnya adalah Failure.
Confusion Matrix (Accurac.
SVM PSO Tabel 4.
2 Confusion Matrix SVM PSO accuracy: 84.
00% /- 9.
17% .
ikro: 84.
Positif Negatif Positif Negatif class recall 86.
00% 82.
Akurasi yang diperoleh yaitu 84.
00% dari 100 data artikel berita positif dan 100 artikel berita negatif tentang tokoh sepak bola dunia Lionel Messi.
Data berita positif yang sesuai prediksi yaitu 86 data.
Data berita negatif yang termasuk ke dalam prediksi positif yaitu 18 data.
Data berita positif yang termasuk kedalam prediksi negatif yaitu 14 data dan Confusion Matrix (Accurac.
NB Tabel 4.
3 Confusion Matrix NB accuracy: 76.
50% /- 11.
41% .
Positif Negatif Positif Negatif 00% 73.
Akurasi yang diperoleh yaitu 76.
dari 100 data artikel berita positif dan 100 artikel berita negatif tentang tokoh sepak bola dunia Lionel Messi.
Data berita positif yang sesuai prediksi yaitu 80 data.
Data berita YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
negatif yang termasuk ke dalam prediksi Lionel Messi.
Data berita positif yang sesuai positif yaitu 27 data.
Data berita positif yang prediksi yaitu 85 data.
Data berita negatif termasuk kedalam prediksi negatif yaitu 20 yang termasuk ke dalam prediksi positif yaitu data dan data berita negatif yang sesuai 19 data.
Data berita positif yang masuk ke prediksi yaitu 73 data.
dalam prediksi negatif yaitu 15 data dan data berita negatif yang sesuai prediksi yaitu 81 Kurva ROC Naive Bayes PSO Adapun perbandingan hasil komparasi akurasi dan AUC Algoritma telah digunakan sebagai berikut:
Tabel 4.
5 Perbandingan Akurasi dan AUC Gambar 4.
6 Kurva ROC NB PSO Kurva ROC Naive Bayes Classifier berbasis Particle Swarm Optimization (PSO) dengan nilai AUC (Area Under Curv.
yang dihasilkan dari gambar 4.
6 diatas sebesar 653 dimana diagnosa hasilnya Failure.
Confusion Matrix (Accurac.
NB PSO Tabel 4.
4 Confusion Matrix NB PSO accuracy: 83.
00% /- 6.
78% .
ikro: 83.
Positif Negatif
Positif
Negatif
Algoritma
Accuracy AUC
SVM
SVM PSO 84.
NB PSO
Dalam penelitian ini, hasil perhitungan metode SVM mendapatkan nilai akurasi 50% sedangkan hasil perhitungan SVM (PSO) mendapatkan nilai akurasi 84.
artinya ada kenaikan tingkat akurasi sebesar 50% setalah menggunakan fitur seleksi PSO.
Hasil perhitungan metode NB menghasilkan perhitungan NB (PSO) mendapatkan nilai 00% artinya ada kenaikan tingkat akurasi sebesar 6.
50% setelah menggunakan Akurasi yang diperoleh yaitu 83.
00% dari fitur seleksi PSO.
Akurasi SVM dan NB 100 data artikel berita positif dan 100 artikel memiliki perbedaan nilai sekitar 2.
berita negatif tentang tokoh sepak bola dunia sedangkan SVM (PSO) dan NB (PSO) YAYASAN AKRAB PEKANBARU Jurnal AKRAB JUARA Volume 3 Nomor 4 Edisi November 2018 .
memiliki perbedaan nilai sekitar 1.
00 %.
SVM
Berdasarkan Tabel 4.
8, dapat disimpulkan perbedaan nilai sekitar 1.
00 %.
Hasil yang PSO diperoleh dari pengujian data NB.
NB (PSO).
SVM dan SVM (PSO) akan dibandingkan.
dibandingkan dengan SVM.
NB.
NB (PSO) Akurasi SVM (PSO) mendapatkan akurasi dan fitur seleksi PSO dapat meningkatkan yang lebih tinggi dibandingkan dengan SVM, nilai akurasi untuk metode SVM dan NB.
6 Deployment disimpulkan bahwa penerapan optimasi yang SVM
(PSO)
(PSO).
(PSO)
Sehingga Pada fase deployment akan dilakukan terbaik ada pada model ini adalah Support perancangan aplikasi dengan menggunakan Vector Machine berbasis Particle Swarm dataset berita tokoh sepak bola dunia Lionel Optimization (PSO) dapat memberikan solusi Messi.
terhadap permasalahan klasifikasi pada kasus KESIMPULAN analisis sentimen tokoh sepak bola dunia
Hasil
SVM
mendapatkan nilai akurasi 78.
50% dan nilai AUC 0.
893 sedangkan hasil perhitungan SVM (PSO) mendapatkan nilai akurasi 84.
00% dan nilai AUC 0.
914 artinya ada kenaikan tingkat akurasi sebesar 5.
50% dan kenaikan nilai AUC sebesar 0.
021 setalah menggunakan fitur seleksi PSO.
Hasil perhitungan metode NB menghasilkan nilai akurasi 76.
50% dan nilai AUC 0.
633, sedangkan hasil perhitungan NB (PSO) mendapatkan nilai akurasi 83.
00% dan nilai AUC 0.
653 artinya ada kenaikan tingkat akurasi sebesar 6.
50% dan kenaikan nilai AUC sebesar 0.
020 setelah menggunakan fitur seleksi PSO.
Akurasi SVM dan NB memiliki perbedaan nilai sekitar 2.
00%, sedangkan Lionel Messi.
DAFTAR PUSTAKA