Pengaruh Information Gain Dan Normalisasi Kata Pada Analisis Sentimen Berbasis Aspek

Informasi di internet sangat beragam, namun begitu banyak pendapat yang mempersulit pengguna lain untuk mendapatkan informasi. Analisis sentimen adalah proses menganalisis atau mengidentifikasi pendapat seseorang terhadap subjek atau produk tertentu yang termasuk dalam kategori positif, negatif, atau netral. Analisis sentimen tingkat aspek menunjukkan kinerja yang lebih baik dibandingkan level dokumen dan level kalimat. Tujuan dari penelitian ini yaitu untuk mengetahui performansi akurasi dari optimalisasi fitur menggunakan Information Gain dengan normalisasi kata pada analisis sentimen berbasis aspek. Hasilnya, Support Vector Machine dan perbaikan kata non-standar dengan kamus digunakan dalam penelitian ini sebagai algoritme klasifikasi dengan kernel polinomial juga perbaikan kata tidak baku menggunakan kamus Slang Word dan Singkatan (SS) dilanjutkan Spelling Corrector menggunakan algoritma Peter Norvig dengan tambahan seleksi fitur Information Gain untuk mengoptimalkan jumlah fitur. Data yang digunakan adalah sebanyak 1020 data dengan K-fold sebesar 10. Berdasarkan hasil pengujian yang telah dilakukan dengan menggunakan K-fold Cross Validation dan Confusion Matrix terhadap data uji mendapatkan hasil akurasi yang berbeda-beda sesuai dengan alur proses pengujian. Akurasi terbaik didapatkan dari penggunaan Information Gain tanpa normaliasasi kata Peter Norvig menghasilkan rata-rata akurasi sebesar 83%. Kesalahan yang sering ditemukan ialah pada saat pengubahan kata. Terjadinya kesalahan ini yaitu dikarenakan kata yang dapat diubah hanya dapat mengoreksi satu huruf yang salah.