Sentiment Classification untuk Opini Berita SepakBola

Authors

  • Eka Rahayu Setyaningsih Institut Sains dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.52985/insyst.v3i2.193

Keywords:

Sentiment Analysis, Opinion Classification, Football, Naive Bayes

Abstract

Pada penelitian ini akan dibahas mengenai sebuah aplikasi yang dibuat secara khusus untuk mengkategorikan opini masyarakat terhadap sebuah berita Sepak Bola. Opini yang diolah diperoleh dari dua sumber, yaitu melalui hasil crawl situs berita olah raga dan opini yang ditambahkan oleh user sendiri pada aplikasi ini. Opini yang ada nantinya akan disajikan secara terpisah menurut kelompoknya; sentiment positive, negative, maupun netral. Proses klasifikasinya sendiri terdiri dari dua tahap. Tahap pertama adalah proses preprocessing yang terdiri atas proses tokenisasi, normalisasi, case folding, stop word removing, common word removing, stemming. Tahap kedua adalah mengklasifikasikan opini-opini tersebut dengan algoritma Baseline, dan Naive Bayes. Opini yang digunakan untuk proses klasifikasi yaitu opini yang menggunakan bahasa Inggris dari situs fifa.com dan goal.com. Dari perhitungan macroaveraged untuk setiap kelas, didapatkan akurasi 93,06%, presisi 81,90%, dan recall 92,67% untuk kelas sentiment positive. Dari perhitungan kelas sentiment negative didapatkan akurasi 87,73%, presisi 96,29%, dan recall 83,63%. Dari perhitungan kelas sentiment netral didapatkan akurasi 92,26%, presisi 64,44%, dan recall 90,37%. Kesimpulan yang diperoleh saat penelitian ini dari awal hingga akhir adalah, proses crawling yang digunakan untuk mendapatkan berita dan komentar berita sangat membantu dalam penambahan konten website, tetapi banyak sekali komentar berita yang diperoleh kurang cocok untuk proses klasifikasi.

References

M. Hu and B. Liu, “Mining and summarizing customer reviews,” in KDD-2004 - Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2004, pp. 168–177, doi: 10.1145/1014052.1014073.

B. Liu and others, “Sentiment analysis and subjectivity.,” Handb. Nat. Lang. Process., vol. 2, no. 2010, pp. 627–666, 2010.

B. Pang, L. Lee, and S. Vaithyanathan, “Thumbs up? Sentiment classification using machine learning techniques,” arXiv Prepr. cs/0205070, 2002.

B. Pang, L. Lee, and others, “Opinion mining and sentiment analysis,” Found. Trends®in Inf. Retr., vol. 2, no. 1--2, pp. 1–135, 2008.

M. A. Rahman, H. Budianto, and E. I. Setiawan, “Aspect Based Sentimen Analysis Opini Publik Pada Instagram dengan Convolutional Neural Network,” J. Intell. Syst. Comput., vol. 1, no. 2, pp. 50–57, 2019.

M. D. Conover, B. Gonçalves, J. Ratkiewicz, A. Flammini, and F. Menczer, “Predicting the political alignment of twitter users,” in 2011 IEEE third international conference on privacy, security, risk and trust and 2011 IEEE third international conference on social computing, 2011, pp. 192–199.

A. Makazhanov, D. Rafiei, and M. Waqar, “Predicting political preference of Twitter users,” Soc. Netw. Anal. Min., vol. 4, no. 1, pp. 1–15, 2014.

N. W. S. Saraswati, “Text mining dengan metode na{"i}ve bayes classifier dan support vector machines untuk sentiment analysis,” Univ. UDAYANA, Tek. Elektro. Denpasar Univ. UDAYANA, 2011.

S. I. Wang and C. D. Manning, “Baselines and bigrams: Simple, good sentiment and topic classification,” in Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers), 2012, pp. 90–94.

M. F. Porter, “An algorithm for suffix stripping,” Program, 1980.

H. Schütze, C. D. Manning, and P. Raghavan, Introduction to information retrieval, vol. 39. Cambridge University Press Cambridge, 2008.

Downloads

Published

2021-10-01

How to Cite

Setyaningsih, E. R. (2021). Sentiment Classification untuk Opini Berita SepakBola. INSYST: Journal of Intelligent System and Computation, 3(2), 93–98. https://doi.org/10.52985/insyst.v3i2.193