KOMPARASI FITUR SELEKSI PADA ALGORITMA SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN REVIEW

INFORMATIKA, Vol.3 September 2016, pp. 191~199 ISSN: 2355-6579 E-ISSN: 2528-2247

191

KOMPARASI FITUR SELEKSI PADA ALGORITMA SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN REVIEW Yoseph Tajul Arifin STMIK Nusa Mandiri Jl. Salemba Raya No. 5 Jakarta Pusat e-mail: [email protected] ABSTRAK The main problem in the process sentiment analysis review is how to choose and use the best feature selection to get the maximal result. The accuracy of the use of algorithm in analysis sentiment review also have been an important role in the determination results of the analysis. Analysis of the sentiment is a study computing on an opinion, behavior and emotion of a person to an entity. This research also discussed comparative studies, technique classification and combining method of the feature selection to comparsion result of the people opinion about tourist destination. The classifications technique to analyze sentiment review of the tourist destinations, using support vector machine algorithm (svm) and a model of the features selection will be compared between a particle swarm optimization and genetic algorithm to increase the accuracy classifications of support vector machines algorithm. The measurement of were based on accuracy support vector machines before and after the addition of features. The evaluation uses 10 cross fold validation. While the measurement of accuracy measured by confusion the matrix and a curve roc. The result showed an increase in accuracy support vector machines of 75.33 % to 88.67 %. Keywords: Sentimen Review, Support Vector Machine, Analysis Review, Feature Selection. 1. Pendahuluan Opini-opini yang tersebar di berbagai media internet seperti website, atau situs jejaring sosial belakangan ini sering dijadikan salah satu acuan seseorang dalam membandingkan dan menentukan keputusan yang akan diambil. Banyaknya review yang disajikan dapat menjadi tolak ukur atau pembanding bagi si pembaca review. Akan tetapi dengan membaca review secara keseluruhan dapat memakan waktu, namun jika sedikit review yang dibaca hasil evaluasi dari review tersebut akan menjadi bias. Salah satu tujuan dari analisa sentimen adalah untuk mengatasi masalah tersebut dengan mengelompokkan/mengklasifikasikan review secara otomatis kedalam positif atau negatif (Z. Zhang et al., 2011). Analisa sentimen atau opinion mining adalah studi komputasi mengenai pendapat, perilaku dan emosi seseorang terhadap entitas. Entitas tersebut dapat menggambarkan individu, kejadian atau topik. Topik tersebut kemungkinan besar

dapat berupa review (Medhat, Hassan & Korashy et al., 2014). Teknik klasifikasi yang biasa digunakan untuk analisis sentimen review diantaranya Naïve Bayes, Support Vector Machines (SVM) dan K-Nearest Neighbor (KNN) (Dehkharghani et al., 2014). Beberapa penelitian yang telah dilakukan dalam proses klasifikasi sentimen terhadap beberapa review yang tersedia secara online dianstaranya, Analisa sentimen pada review pengguna ponsel (Zhang et al., 2014). Analisa sentimen pada opini review film menggunakan pengklasifikasi Support Vector Machine dan Particle Swarm Optimization (Basari et al., 2013). Klasifikasi sentimen pada review online tempat tujuan perjalanan menggunakan pengklasifikasi Naïve Bayes, Support Vector Machines dan Character Based N-gram Model (Ye, Zhang, & Law, 2009). Analisa sentimen pada review film dan beberapa produk dari Amazon.com menggunakan pengklasifikasi Support Vector Machines dan Artificial Neural Network (Moraes, Valiati, & Neto., 2013). Pengklasifikasian sentimen pada review

Diterima Agustus 5, 2016; Revisi Agustus 14, 2016; Disetujui Agustus 30, 2016

192 restoran di internet yang ditulis dalam bahasa Canton menggunakan pengklasifikasi Naïve Bayes dan Support Vector Machines (Z. Zhang et al., 2011). Analisa sentimen pada sosial media Republik Ceko menggunakan Supervised Machine Learning (Habernal, Ptàček, & Steinberger, 2013). Dari beberapa penelitian tersebut diatas algoritma Support Vector Machines (SVM) adalah model yang sering digunakan. SVM merupakan metode supervised learning yang menganalisa data dan mengenali polapola yang digunakan untuk klasifikasi (Basari et al., 2013). Pada penelitian ini penulis memilih 2 (dua) model fitur seleksi untuk meningkatkan hasil akurasi penelitian, yaitu Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA) yang akan penulis bandingkan satu per satu terhadap algoritma Support Vector Machine (SVM) untuk diterapkan dalam proses klasifikasi teks pada review tempat wisata, yang hasilnya dapat menentukan fitur seleksi manakah yang terbaik dalam penelitian ini. 1.1. Teks review Penambangan Opini merupakan area yang menarik dari penelitian karena mencakup di beberapa bidang. Mengumpulkan pendapat orang-orang tentang produk tertentu, kondisi sosial dan politik serta masalah melalui situs web menjadi semakin populer setiap hari. Pendapat pengguna bermanfaat untuk umum dan bagi para pemangku kepentingan dalam membuat keputusan tertentu. Penambangan opini adalah cara untuk mengambil informasi melalui mesin pencari, situs blog dan sosial media. Karena besar jumlah tinjauan dalam bentuk teks yang tidak terstruktur adalah mustahil untuk meringkas informasi tersebut secara manual. Dengan demikian, metode komputasi dibutuhkan untuk pertambangan dan meringkas review dari corpuses dan dokumen web secara efisien (Khan et al., 2014). 1.2. Analisa sentiment Analisa sentimen pada review adalah proses menyelidiki review produk di internet untuk menentukan opini atau perasaan terhadap suatu produk secara keseluruhan(Haddi, Liu, & Shi, 2013). Analisa sentimen diperlakukan sebagai suatu tugas klasifikasi yang mengklasifikasikan orientasi suatu teks ke dalam positif atau negatif (Haddi, Liu, &

Shi, 2013), tujuan dari analisa sentimen adalah untuk menentukan perilaku atau opini dari seorang penulis dengan memperhatikan suatu topik tertentu. Perilaku bisa mengindikasikan alasan, opini atau penilaian, kondisi kecenderungan bagaimana si penulis ingin mempengaruhi pembaca (Basari et al., 2013). 1.3. Pemilihan Fitur Seleksi fitur adalah salah satu faktor yang paling penting yang dapat mempengaruhi tingkat akurasi klasifikasi karena jika dataset berisi sejumlah fitur, dimensi ruang akan menjadi besar, merendahkan tingkat akurasi klasifikasi (Liu et al., 2011). Seleksi fitur mempengaruhi beberapa aspek yaitu pola klasifikasi, akurasi klasifikasi, waktu yang diperlukan untuk pembelajaran fungsi klasifikasi, jumlah contoh yang dibutuhkan untuk pembelajaran dan biaya yang terkait dengan fitur menurut Yang dan Honavar dalam Zhao (Zhao, et al., 2011). 1.4. Support Vector Machine Support Vector Machines (SVM) adalah seperangkat metode yang terkait untuk suatu metode pembelajaran, untuk kedua masalah klasifikasi dan regresi (Maimon, 2010). Dengan berorientasi pada tugas, kuat, sifat komputasi yang mudah dikerjakan, SVM telah mencapai sukses besar dan dianggap sebagai state of-the art classifier saat ini (Huang, et al., 2008). Dua kelas data yang digambarkan sebagai lingkaran dan padat titik-titik yang disajikan di angka ini. Secara intuitif diamati, ada banyak keputusan hyperplanes yang dapat digunakan untuk memisahkan kedua kelompok data. 1.5. Tinjauan Studi Beberapa penelitian yang telah dilakukan menggunakan algoritma yang sama yaitu Support Vector Machine sebagai pengkalsifikasi dalam klasifikasi teks sentimen pada review online. Tiga penelitian yang dapat dijadikan sebagai penelitian terkait diantaranya penambangan opini review film menggunakan metode Support Vector Machines dan Particle Swarm Optimization (Basari et al., 2013), mengoptimalkan parameter Support Vector Machine menggunakan algoritma genetika untuk klasifikasi kecenderungan sengketa di tahap awal proyek kemitraan publik-swasta (Chou et al., 2014), Klasifikasi sentimen pada review online tempat tujuan perjalanan menggunakan pengklasifikasi Naïve Bayes,

INFORMATIKA Vol. 3, September 2016: 191 – 199

193 Support Vector Machines dan Character Based N-gram Model (Ye, Zhang, & Law, 2009). Model dan hasil ketiga penelitian ini akan dijadikan landasan dalam penelitian yang dilakukan, lebih jelasnya akan penulis uraikan sebagai berikut: Tabel 1. Perbandingan Penelitian Terkait

sesuai. Karena dengan tidak sesuainya sebuah pengaturan parameter dapat menyebabkan hasil klasifikasi menjadi rendah. Model fitur seleksi yang akan digunakan pertama kali adalah Particle Swarm Optimization (PSO) sedangkan seleksi fitur kedua menggunakan Genetic Algorithm (GA) . Klasifikasi yang digunakan adalah Support Vector Machine dengan pengujian 10 Fold Cross Validation. e. Hasil akurasi algoritma akan digambarkan ke dalam Confusion Matrix dan kurva ROC. Rapid Miner Versi 5 digunakan sebagai alat bantu dalam mengukur akurasi data eksperimen yang dilakukan dalam penelitian. f. Gambar I menggambarkan kerangka pemikiran yang penulis usulkan dalam penelitian ini. PROPOSED METHOD

Dataset Review Tempat Wisata www.tripadvisor.co.id

Preprocessing

1.6. Kerangka Pemikiran Pada penelitian ini terdapat beberapa tahapan berikut : a. Tahap pertama pada penelitian ini dimulai dari pengumpulan data review dari website www.tripadvisor.co.id. Data diambil secara random dan selanjutnya dikelompokkan kedalam masing-masing data review positif sebanyak 150 data dan data review negatif sebanyak 150 data. b. Tahap selanjutnya yaitu pengolahan data awal yang di awali dengan tahap Preprocessing yang dilakukan dengan proses Tokenization, Stemming, Stopword Removal dan Generate NGrams. c. Tahap berikutnya proses klasifikasi dengan model algoritma Support Vector Machine (SVM), model ini dipilih berdasarkan kesesuaian data dengan metode yang paling baik dari beberapa metode pengklasifikasian teks yang sudah digunakan oleh beberapa peneliti sebelumnya d. Tahap selanjutnya menambahkan model pembobotan dengan Term Frequency Invers Document Frequency (TF-IDF) dan pemilihan fitur seleksi. Karena proses pengklasifikasian tersebut memiliki kekurangan terhadap masalah pemilihan parameter yang

Tokenize Stopwords Removal Stemming Generate N-Gram

INDICATORS

MEASUREMENT

Feature Selection OBJECTIVES

Population Size

C

PSO

GA

Classification Algorithm

Support Vector Machine

Confusion Matrix

Model Accuracy ROC Curve

epsilon Sentiment Analysis

Gambar 1. Kerangka Pemikiran 2. Metode Penelitian 2.1. Rancangan Penelitian Metode penelitian eksperimen adalah metode penelitian yang penulis lakukan, dengan tahapan sebagai berikut: a. Pengumpulan Data. Data untuk eksperimen penelitian ini dikumpulkan dari situs www.tripadvisor.com, kemudian dikelompokkan dari hasil penyeleksian dataset yang diambil secara acak. b. Pengolahan Awal Data. Model dipilih berdasarkan kesesuaian data dengan metode yang paling baik dari beberapa metode pengklasifikasian teks yang sudah digunakan oleh beberapa peneliti sebelumnya. Pada penelitian ini model yang digunakan

INFORMATIKA Vol. 3, September 2016: 191 – 199

194 adalah algoritma Support Vector Machine (SVM). c. Metode Yang Diusulkan Untuk meningkatkan akurasi dari algoritma Support Vector Machine (SVM), maka dilakukan penambahan model seleksi fitur Particle Swarm Optimization (PSO), dan Genetic Algorithm (GA) pada Algoritma tersebut. Kedua seleksi fitur tersebut penulis uji satu per satu dengan algoritma Support Vector Machine (SVM) dan kemudian penulis bandingkan hasil keduanya untuk diketahui metode peningkatan optimasi (seleksi fitur) terbaik yang dapat digunakan untuk meningkatkan akurasi pada penelitian ini. d. Eksperimen dan Pengujian Metode. Dalam hal eksperimen data penelitian, penulis menggunakan Rapid Miner versi 5 untuk mengolah data review dan sebagai alat bantu dalam mengukur akurasi data eksperimen yang dilakukan dalam penelitian. e. Evaluasi dan Validasi Hasil. Evaluasi dilakukan untuk mengetahui akurasi dari model algoritma Support Vector Machine (SVM). Validasi digunakan untuk melihat perbandingan hasil akurasi dari model yang digunakan dengan hasil yang telah ada sebelumnya. Teknik validasi yang digunakan adalah Cross Validation, akurasi algorima akan diukur menggunakan Confusion Matrix dan hasil olahan data dalam bentuk kurva ROC. 2.2. Pengolahan Awal Data Pada penelitian ini penulis hanya menggunakan 150 review positif dan 150 review negatif sebagai data training. Tahap pertama pengolahan data adalah tahap preprocessing yang mana pada tahai ini ada 4 (empat) proses tahapan pengolahan, diantaranya: a. Tokenization Tokenization yaitu mengumpulkan semua kata yang muncul dan menghilangkan tanda baca maupun simbol apapun yang bukan huruf. b. Stopword Removal Yaitu penghapusan kata-kata yang tidak relevan, seperti kata sambung dan lain lain seperti the, of, for, with dan sebagainya. c. Stemming Yaitu mengelompokkan kata ke dalam beberapa kelompok yang memiliki kata

dasar yang sama. Sedangkan untuk tahap transformation dengan melakukan pembobotan TF-IDF pada masingmasing kata. Di mana prosesnya menghitung kehadiran atau ketidakhadiran sebuah kata di dalam dokumen. Berapa kali sebuah kata muncul di dalam suatu dokumen juga digunakan sebagai skema pembobotan dari data tekstual. d. Generate N-Gram Generate N-Gram yaitu proses menghitung probabilitas bersyarat untuk sebuah kata dari urutan kata sebelumnya. Sebuah n-gram adalah sebuah kumpulan kata dengan masingmasing memiliki panjang n kata. N-gram ukuran 1 (satu) disebut sebagai unigram, ukuran 2 (dua) sebagai bigram, ukuran 3 (tiga) sebagai trigram, dan seterusnya. Proses ini dimulai dengan memecah kata per kata dan mengelompokkan hasil pemecahan kata tersebut kedalam ngram ukuran 1 (satu), n-gram ukuran 2 (dua), n-gram ukuran 3 (tiga) dan sterusnya untuk dilakukan perhitungan dari kata yang sering muncul pada suatu kalimat.

Gambar 2. Tahap Preprocessing 3. Hasil dan Pembahasan 3.1. Tokenization Proses tokenization berfungsi untuk menghilangkan tanda baca, symbol dan katakter yang bukan berupa huruf pada setiap dokumen review.

INFORMATIKA Vol. 3, September 2016: 191 – 199

Tabel 2. Perbandingan teks sebelum dan sesudah dilakukan proses Tokenization

195 Perbandingan teks sebelum dan sesudah dilakukan proses Generate N Gram

3.2. Stopword Removal Yaitu penghapusan kata-kata yang tidak relevan, seperti kata sambung dan lain lain seperti the, of, for, with dan sebagainya.

3.5. Hasil Eksperimen Pengujian Metode. a. Model Support Vector Machine (SVM) 1) Model Klasifikasi Support Vector Machines (SVM)

Tabel 3. Perbandingan teks sebelum dan sesudah dilakukan proses Stopword Removal

3.3. Stemming Proses pengelompokkan kata ke dalam beberapa kelompok yang memiliki kata dasar yang sama dan melakukan transformation untuk proses pembobotan dengan melakukan penghitungan terhadap kehadiran atau ketidakhadiran sebuah kata di dalam dokumen. Tabel 4. Perbandingan teks sebelum dan sesudah dilakukan proses Stemming

Gambar 3. Model Klasifikasi SVM 2) Hasil terbaik pada eksperimen SVM di atas adalah dengan C = 0.0 dan Epsilon = 0.7 serta population size=5 dihasilkan Accuracy 75.33% dan AUC = 0.975 . 3) Hasil Eksperimen Nilai accuracy, precision dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Tabel 6. Eksperimen Penentuan Nilai Training Cycles SVM

3.4. Generate n-gram Generate N-Gram yaitu proses menghitung probabilitas bersyarat untuk sebuah kata dari urutan kata sebelumnya. Sebuah ngram adalah sebuah kumpulan kata dengan masing-masing memiliki panjang n kata. Ngram ukuran 1 disebut sebagai unigram, ukuran 2 sebagai bigram, ukuran 3 sebagai trigram, dan seterusnya.

4) Confusion Matrix Hasil uji terbaik pada pengklasifikasian data review menggunakan Algoritma

Tabel 5. INFORMATIKA Vol. 3, September 2016: 191 – 199

196 Support Vector Mchine (SVM) dapat di lihat pada gambar berikut :

Tabel 8. Eksperimen Penentuan Nilai Training Cycles SVM-PSO

Tabel 7. Model Confusion Matrix Untuk Metode SVM

Hasil perhitungan yang divisualisasikan dengan kurva ROC dapat di lihat pada gambar 4.2 yang mengekspresikan confusion matrix dari tabel 4.6. Garis horizontal adalah false positive dan garis vertikal true positive.

Tabel 9. Model Confusion Matrix Untuk Metode SVMPSO

Gambar 4. Kurva ROC SVM b. Model SVM-PSO 1) Model Klasifikasi Support Machines berbasis Particle Optimization (SVM-PSO)

3) Confusion Matrix Hasil uji terbaik pada pengklasifikasian data review menggunakan Algoritma Support Vector Mchine (SVM) dapat di lihat pada gambar berikut :

Vector Swarm

Hasil perhitungan yang divisualisasikan dengan kurva ROC dapat di lihat pada gambar 4.4 yang mengekspresikan confusion matrix dari tabel 4.8. Garis horizontal adalah false positive dan garis vertikal true positive.

Gambar 6. Kurva ROC SVM-PSO Gambar 5. Model Klasifikasi SVM-PSO Hasil terbaik pada eksperimen SVM berbasis PSO di atas adalah dengan C=0.1 dan Epsilon=0.8 serta population size=5 yang dihasilkan accuracy 88.67% dan AUC nya 0.959.

c. Model SVM-GA 1) Model Klasifikasi Support Vector Machines berbasis Generate Alogarithm (SVM-GA)

2) Hasil Eksperimen Nilai accuracy, precision dan recall dari data training dapat dihitung dengan menggunakan RapidMiner.

INFORMATIKA Vol. 3, September 2016: 191 – 199

197 Model Confusion Matrix Untuk Metode SVM Berbasis GA

Hasil perhitungan yang divisualisasikan dengan kurva ROC dapat di lihat pada gambar 4.6 yang mengekspresikan confusion matrix dari tabel 4.10. Garis horizontal adalah false positive dan garis vertikal true positive.

Gambar 7. Model Klasifikasi SVM-GA Hasil terbaik pada eksperimen SVM berbasis GA di atas adalah dengan C=0.0 dan Epsilon=0.9 serta population size=5 yang dihasilkan accuracy 84.33% dan AUC nya 0.936. 2) Hasil Eksperimen Nilai accuracy, precision dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Support Vector Machine berbasis Genetic Algorithm didapatkan hasil pada tabel 4.9. Tabel 10. Eksperimen Penentuan Nilai Training Cycles SVM – GA

Gambar 8. Kurva ROC SVM-GA 3.6. Analisis Evaluasi Hasil dan Validasi Model Dari hasil pengujian di atas, pengukuran akurasi menggunakan confusion matrix dan kurva ROC terbukti bahwa hasil pengujian algoritma SVM berbasis PSO memiliki nilai akurasi yang lebih tinggi dibandingkan dengan algoritma SVM dan SVM berbasis GA. Setelah dilakukan penyesuaianpada parameter C dan Epsilon didapatkan nilai akurasi untuk hasil pengujian data review dengan model algoritma SVM sebesar 75.33%, untuk nilai akurasi dari hasil pengujian data review dengan model algoritma SVM berbasis PSO sebesar 88.67%, nilai akurasi untuk hasil pengujian data review dengan model algoritma SVM berbasis GA sebesar 88.67%. Perbandingan hasil pengujian terbaik dapat di lihat pada table 4.11 dan gambar 4.6 di bawah ini : Tabel 12. Hasil Pengujian Terbaik

3) Confusion Matrix Hasil uji terbaik pada pengklasifikasian data review menggunakan Algoritma Support Vector Machine (SVM) berbasis Genetic Algorithm (GA) dapat di lihat pada gambar berikut: Tabel 11.

INFORMATIKA Vol. 3, September 2016: 191 – 199

198 b. Menggunakan pengklasifikasi lain yang mungkin di luar Supervised learning. Sehingga bisa dilakukan penelitian yang berbeda dari umumnya yang sudah ada. c. Menggunakan data review dari domain yang berbeda tetapi tetap berkaitan, seperti review hotel, review transportasi wisata, review kuliner tempat wisata, dan sebagainya. Gambar 9. Perbandingan Hasil Pengujian Terbaik 4. Kesimpulan Hasil pengujian dan perbandingan model algoritma dan fitur seleksi menunjukan bahwa model algoritma Support Vector Machine menghasilkan tingkat akurasi pengujian sebesar 75.33%, sedangkan model algoritma Support Vector Machine yang telah dikombinasikan dengan fitur seleksi Particle Swarm Optimization menunjukan tingkat akurasi sebesar 88.67%, lain halnya dengan model algoritma Support Vector Machine yang dikombinasikan dengan fitur seleksi Genetic Algorithm menunjukan hasil akurasi sebesar 88.67%. Hal ini berarti bahwa hasil pengujian terbaik dari semua pengujian yang telah dilakukan dalam penelitian ini adalah model Algoritma Support Vector Machine yang dikombinasikan dengan fitur seleksi Particle Swarm Optimization dengan selisih akurasi dari pengujian model algoritma Support Vector Machine sebelumnya yaitu 13.34%. Dengan demikian model algoritma Support Vector Machine berbasis Particle Swarm Optimization (SVM-PSO) adalah model algoritma terbaik dalam penelitian ini dan dapat memberikan hasil maksimal dalam pengujian dan pengklasifikasian analisis sentiment review dengan objek yang diteliti adalah opini/review tempat wisata dibandingkan dengan model algoritma Support Vector Machine (SVM) dan Support Vector Machine Berbasia Genetic Algorithm (SVM-GA) yang telah diujikan sebelumnya. 4.1. Saran Agar penelitian ini bisa ditingkatkan, berikut adalah saran-saran yang diusulkan: a. Menggunakan metode pemilihan fitur yang lain, seperti Chi Square, Information Gain, Gini Index, Mutual Information, dan lain-lain agar hasilnya bisa dibandingkan

Referensi Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. (2013). Opinion Mining of Movie Review using Hybrid Method of Support Vector Machine and Particle Swarm Optimization. Procedia Engineering, 53, 453–462. doi:10.1016/j.proeng.2013.02.059 Chou, J.-S., Cheng, M.-Y., Wu, Y.-W., & Pham, A.-D. (2014). Optimizing parameters of support vector machine using fast messy genetic algorithm for dispute classification. Expert Systems with Applications, 41(8), 3955–3964. doi:10.1016/j.eswa.2013.12.035 Dehkharghani, R., Mercan, H., Javeed, A., & Saygin, Y. (2014). Sentimental causal rule discovery from Twitter. Expert Systems with Applications, 41(10), 4950–4958. doi:10.1016/j.eswa.2014.02.024 Habernal, I., Ptáček, T., & Steinberger, J. (2014). Supervised sentiment analysis in Czech social media. Information Processing & Management, 50(5), 693–707. doi:10.1016/j.ipm.2014.05.001 Haddi, E., Liu, X., & Shi, Y. (2013). The Role of Text Pre-processing in Sentiment Analysis. Procedia Computer Science, 17, 26–32. doi:10.1016/j.procs.2013.05.005 Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques. San Francisco: Diane Cerra. Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms. Untied States Of America: A John Wiley & Sons Inc Publication. Huang, K., Yang, H., King, I., & Lyu, M. (2008). Machine Learning Modeling

INFORMATIKA Vol. 3, September 2016: 191 – 199

199 Data Locally And Globally. Berlin Heidelberg: Zhejiang University Press, Hangzhou And Springer-Verlag Gmbh. Khan, F. H., Bashir, S., & Qamar, U. (2014). TOM: Twitter opinion mining framework using hybrid classification scheme. Decision Support Systems, 57, 245– 257. doi:10.1016/j.dss.2013.09.004 Khan, K., Baharudin, B., & Khan, A. (2014). Mining Opinion Components from Unstructured Reviews: A Review. Journal of King Saud University Computer and Information Sciences. doi:10.1016/j.jksuci.2014.03.009 Litchfield, Steve. (2010). Smartphone. (n.d.)

Defining

the

Liu, Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S. (2011). An Improved Particle Swarm Optimization for Feature Selection. Journal of Bionic Engineering, 8(2), 191–200. doi:10.1016/S1672-6529(11)60020-6 Maimon, O. (2010). Data Mining And Knowledge Discovery Handbook. New York Dordrecht Heidelberg London: Springer. Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal. doi:10.1016/j.asej.2014.04.011 Moraes, R., Valiati, J. F., & Gavião Neto, W. P. (2013). Document-level sentiment classification: An empirical comparison between SVM and ANN. Expert Systems with Applications, 40(2), 621– 633. doi:10.1016/j.eswa.2012.07.059 Review Text. (n.d). Juli 15, 2015. http://www.ef.co.id/englishfirst/englishst udy/pengertian-dan-struktur-reviewtext.aspx

Trend Bisnis 2014. (2015). http://www.ekonomi holic.com/2014/01/trend-bisnis2014.html?m=0 Vercellis, C. (2009). Business Intelligence Data Mining And Optimization For Decision Making .United Kingdom: A John Wiley And Sons, Ltd.,Publication. Weiss, S. M., Indurkhya, Nitin & Zhang, Tong. (2010). Fundamentals of Predictive Text Mining. London: Springer-Verlag Witten, H. I., Frank, E., & Hall, M. A. (2011). Data Mining Practical Machine Learning Tools And Technique. Burlington: Elsevier Inc Ye, Q., Zhang, Z., & Law, R. (2009). Sentiment classification of online reviews to travel destinations by supervised machine learning approaches. Expert Systems with Applications, 36(3), 6527–6535. doi:10.1016/j.eswa.2008.07.035 Zhang, L., Hua, K., Wang, H., Qian, G., & Zhang, L. (2014). Sentiment Analysis on Reviews of Mobile Users. Procedia Computer Science, 34, 458–465. doi:10.1016/j.procs.2014.07.013 Zhang, Z., Ye, Q., Zhang, Z., & Li, Y. (2011). Sentiment classification of Internet restaurant reviews written in Cantonese. Expert Systems with Applications, 38(6), 7674–7682. doi:10.1016/j.eswa.2010.12.147 Zhao, M., Fu, C., Ji, L., Tang, K., & Zhou, M. (2011). Feature selection and parameter optimization for support vector machines: A new approach based on genetic algorithm with feature chromosomes. Expert Systems with Applications, 38(5), 5197–5204. doi:10.1016/j.eswa.2010.1

INFORMATIKA Vol. 3, September 2016: 191 – 199