Perbandingan Metode Naïve Bayes Classifier Dan Holistic Lexicon Based Dalam Analisis Sentimen Angket Mahasiswa

JSI: Jurnal Sistem Informasi (E-Journal) Pub Date : 2019-10-25 DOI:10.36706/jsi.v11i2.9140

Suprianto Suprianto

{"title":"Perbandingan Metode Naïve Bayes Classifier Dan Holistic Lexicon Based Dalam Analisis Sentimen Angket Mahasiswa","authors":"Suprianto Suprianto","doi":"10.36706/jsi.v11i2.9140","DOIUrl":null,"url":null,"abstract":"Analisis sentimen bertujuan untuk menentukan kelas dari data opini mahasiswa yang terdapat dalam form angket mahasiswa berupa kelas positif, negatif, dan netral. Dalam data mining, teknik yang biasa digunakan adalah teknik klasifikasi. Klasifikasi ini digunakan untuk membentuk suatu model yang belum terklasifikasi menjadi terklasifikasi. Metode naive bayes classifier dan metode holistic lexicon based biasa digunakan untuk melakukan sentimen analisis. Analisis perbandingan suatu metode dilakukan untuk menemukan metode terbaik dalam memecahkan sebuah kasus. Penelitian ini melakukan perbandingan antara metode naive bayes classifier dan metode holistic lexicon based yang digunakan untuk mengklasifikasikan data komentar angket mahasiswa yang dapat bernilai analisis sentimen berupa kelas positif, kelas negatif, dan kelas netral. Metode naive bayes classifier menggunakan data latih untuk menentukan kelasnya, sedangkan metode holistic lexicon based menggunakan kamus kata sifat untuk penentuan kelasnya. Dari hasil perbandingan ini dapat disimpulkan bahwa metode naive bayes classifier memiliki nilai precission dan tingkat accuracy yang lebih baik dibandingkan dengan metode holistic lexicon based.","PeriodicalId":375112,"journal":{"name":"JSI: Jurnal Sistem Informasi (E-Journal)","volume":"305 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2019-10-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"JSI: Jurnal Sistem Informasi (E-Journal)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.36706/jsi.v11i2.9140","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 1

Abstract

Analisis sentimen bertujuan untuk menentukan kelas dari data opini mahasiswa yang terdapat dalam form angket mahasiswa berupa kelas positif, negatif, dan netral. Dalam data mining, teknik yang biasa digunakan adalah teknik klasifikasi. Klasifikasi ini digunakan untuk membentuk suatu model yang belum terklasifikasi menjadi terklasifikasi. Metode naive bayes classifier dan metode holistic lexicon based biasa digunakan untuk melakukan sentimen analisis. Analisis perbandingan suatu metode dilakukan untuk menemukan metode terbaik dalam memecahkan sebuah kasus. Penelitian ini melakukan perbandingan antara metode naive bayes classifier dan metode holistic lexicon based yang digunakan untuk mengklasifikasikan data komentar angket mahasiswa yang dapat bernilai analisis sentimen berupa kelas positif, kelas negatif, dan kelas netral. Metode naive bayes classifier menggunakan data latih untuk menentukan kelasnya, sedangkan metode holistic lexicon based menggunakan kamus kata sifat untuk penentuan kelasnya. Dari hasil perbandingan ini dapat disimpulkan bahwa metode naive bayes classifier memiliki nilai precission dan tingkat accuracy yang lebih baik dibandingkan dengan metode holistic lexicon based.

查看原文本刊更多论文

比较原始材料和整体词汇的方法是基于对学生情感的分析

感情分析的目的是根据学生意见中存在的积极、消极和中立的学生比例来定义课堂。在数据挖掘中，通常使用的技术是分类技术。这种分类是用来把一个未分类的模型编成分类的。原始的贝斯替代法和基于整体的词典的方法通常用于感情分析。进行比较分析的方法是找出最好的解决方法。该研究将天真的经典材料和基于整体意义的词汇进行比较，这些分析是用来对可能有价值的正类、负类和中性类的情绪分析的学生的评价数据进行分类。naive bayes classifier的方法是利用培训数据来定义类，而基于性质的整体词汇则使用形容词词典来定义类。从这些比较结果可以得出结论，天真的bayes classifier方法的准确价值和准确程度高于基于整体词汇的方法。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

JSI: Jurnal Sistem Informasi (E-Journal)

自引率

0.00%

发文量