PERBANDINGAN MODEL PEMBOBOTAN TF-IDF DAN WORD2VEC PADA KLASIFIKASI ANALISIS SENTIMEN PERPINDAHAN IBUKOTA INDONESIA DENGAN METODE XTREME GRADIENT BOOSTING

Abstract

Pada saat ini rencana pemindahan Ibukota Indonesia akan membawa masalah baru dan menimbulkan banyak pro kontra bagi masyarakat, oleh karena itu dapat dilakukan analisis sentimen yang memberikan suatu penilaian atau opini pribadi. Analisis sentimen merupakan proses mengekstrak pengetahuan atau informasi pada suatu kalimat sentimen atau opini. Pada penelitian ini melakukan perbandingan ekstraksi fitur TF-IDF dan Word2Vec dengan metode klasifikasi Xtreme Gradient Boosting dan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan menggunakan parameter max depth, gamma, learning rate, dan n estimator. Berdasarkan hasil penelitian yang dilakukan Word2Vec menghasilkan kinerja akurasi yang lebih baik dibandingkan TF-IDF, dimana akurasi terbaik dihasillkan oleh Word2Vec tanpa stopword removal yaitu sebesar 68,88?ngan dilakukan uji parameter Xtreme Gradient Boosting. Penelitian ini juga menjelaskan, bahwa pengujian parameter berpengaruh dalam membantu meningkatkan akurasi yang dihasilkan agar lebih baik dan pengaruh stopword removal yang dinilai kurang efektif karena dapat mengurangi informasi dari suatu kalimat.

Kata kunci: Xgboost, Xtreme Gradient Boosting, Analisis Sentimen, Ekstraksi Fitur, TF-IDF, Word2Vec.