Analisis Kinerja Hybrid Chi-Square dan Binary Particle Swarm Optimization dengan Adaptive Inertia Weights pada Distance Biased Naïve Bayes untuk Klasifikasi Sentimen

Abstract

Media sosial adalah ruang terbaik bagi pengguna untuk mengekspresikan pandangan dengan berbagai perspektif. Twitter menjadi media sosial yang sangat populer hingga saat ini, pengguna dapat dengan mudah membagikan berbagai opininya dengan melakukan tweet dan retweet. Akan tetapi, semakin banyaknya opini yang dibagikan pengguna setiap hari, dibutuhkan teknologi untuk dapat menganalisisnya, yang dikenal dengan analisis sentimen. Namun, ada tiga masalah mendasar pada analisis sentimen, yaitu identifikasi sentimen, seleksi fitur dan klasifikasi sentimen. Dengan demikian, salah satu masalah utama dalam analisis sentimen adalah untuk meningkatkan kualitas seleksi fitur. Pada penelitian ini, akan melakukan seleksi fitur menggunakan metode Hybrid Chi-Square dan Binary Particle Swarm Optimization dengan Adaptive Inertia Weights, serta klasifikasi sentimen menggunakan metode Distance Biased Naïve Bayes, pada dataset sentimen dengan topik mengenai COVID-19 berbahasa Indonesia dan Weather berbahasa Inggris yang bersumber dari Twitter. Dari penelitian ini, dapat disimpulkan bahwa model dengan seleksi fitur pada analisis sentimen dapat memberikan peningkatan yang signifikan dibandingkan dengan model tanpa seleksi fitur.

Kata kunci: opini publik, analisis sentimen, seleksi fitur