Text Mining pada Sosial Media untuk Mendeteksi Emosi Pengguna Menggunakan Metode Support Vector Machine dan K-Nearest Neighbour

I Made Dwi Ardiada; Made Sudarma; Dwi Giriantari

doi:10.24843/MITE.2019.v18i01.P08

I Made Dwi Ardiada Universitas Udayana
Made Sudarma
Dwi Giriantari

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2019.v18i01.P08

Abstrak

Twitter layanan jejaring sosial dan mikroblog yang memungkinkan penggunanya untuk mengirim dan membaca pesan berbasis teks hingga 140 karakter, yang dikenal dengan sebutan kicauan (tweet). Sebuah teks pada tweet tidak hanya menyampaikan keterangan dari suatu informasi, tetapi juga berisi informasi tentang perilaku manusia termasuk emosi. Untuk mendeteksi emosi dari teks pada layanan sosial media twitter dengan data yang tidak terstruktur maka perlu dilakukan analisis teks salah satunya dengan menggunakan Text Mining. Pada penelitian ini mengusulkan melakukan penelitian text mining pada Sosial Media untuk mendeteksi emosi pengguna. Deteksi emosi berbasis teks dapat digunakan dalam bisnis, pendidikan, psikologi, dan bidang lain mana pun yang paling penting untuk memahami dan menafsirkan emosi. Tahapan penelitian ini melalui beberapa tahapan yaitu data. Dari Pengujian yang dilakukan dengan metode Support Vector Machine dan K-Nearest Neighbour dapat menghasilkan nilai rata-rata precision sebesar 0.45640904478933. nilai recall sebesar 0.50199332258158 dan pada nilai accuracy sebesar 0.8140589569161 sedangkan dari metode K-Nearest Neighbour nilai rata-rata precision sebesar 0.34210487225193. nilai recall sebesar 0.45954538381009 dan pada nilai accuracy sebesar 0.79705215419501. hasil dari pengujian dengan metode SVM-KNN menunjukkan bahwa kesesuaian klasifikasi emosi lebih baik daripada metode K-Nearest Neighbour dari keseluruhan kategori emosi.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] H. Kwak, C. Lee, H. Park, and S. Moon, “What is Twitter , a Social Network or a News Media ?,” 19th Int. Conf. World Wide Web, pp. 591–600, 2010.
[2] V. P. Haji Binali, Chen Wu, “Computational Approaches for Emotion Detection in Text,” IEEE Int. Conf. Digit. Ecosyst. Technol. (IEEE DEST 2010), 2010.
[3] C. G. Patil and S. S. Patil, “Use of Porter Stemming Algorithm and SVM for Emotion Extraction from News Headlines,” Int. J. Electron. Commun. Soft Comput. Sci. Eng., vol. 2, no. 7, pp. 2277–9477, 2013.
[4] Arifin, “Classification of Emotions in Indonesian TextsUsing K-NN Method,” Int. J. Inf. Electron. Eng., 2012.
[5] C. Cortes and V. Vapnik, “Support vector machine,” Mach. Learn., pp. 1303–1308, 1995.
[6] R. I. Ndaumanu and M. R. Arief, Kusrini, “Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor,” Jatisi, vol. 1, no. 1, pp. 1–15, 2014.
[7] I. N. W. Tirtayani, Luh Ayu, Noce Maylani Asril, “Perkembangan Sosial Emosional pada Anak Usia Dini,” Univ. Terbuka Repos., pp. 1–43, 2013.
[8] N. G. Yudiarta, M. Sudarma, and W. G. Ariastina, “Pengelompokan Berita Pada Unstructured Textual Data,” vol. 17, no. 3, pp. 339–344, 2018.
[9] A. P. Sujana, “Memanfaatkan Big Data Untuk Mendeteksi Emosi,” Tek. Komput. Unikom, vol. 2, no. 2, pp. 1–4, 2013.
[10] N. L. Ratniasih, M. Sudarma, N. Gunantara, and A. A. U. Sistem, “Penerapan Text Mining dalam Spam Filtering untuk Aplikasi Chat,” Teknol. Elektro, vol. 16, no. 3, pp. 13–18, 2017.
[11] M. Adriani, J. Asian, B. Nazief, and H. E. Williams, “Stemming Indonesian : A Confix Stripping Approach,” ACM Trans. Asian Lang. Inf. Process., vol. 6, no. 4, pp. 1–33, 2007.