SOC Press, Indonesia Symposium on Computing (IndoSC) 2016

Font Size: 
ANALISIS KLASIFIKASI SENTIMEN DAN PERINGKASAN PADA REVIEW PRODUK MENGGUNAKAN METODE UNSUPERVISED
Muhammad Husein Adnan, Warih Maharani, Anisa Herdiani


Full Text: PDF

Abstract


Peningkatan transaksi e-commerse telah membuat para pelaku pasar mengalihkan proses jual-beli ke arah modernisasi melalui internet. Banyak Website penyedia layanan jual-beli online yang bermunculan hingga memudahkan juga bagi konsumen untuk mengutarakan opininya mengenai produk yang dia beli serta produsen dalam mengetahui opini konsumen tersebut. Sayangnya opini mengenai review suatu produk yang dijumpai, jumlah nya sangat banyak dan menyulitkan untuk ditarik kesimpulan. Pada penelitian ini dilakukan analisis untuk membuat sebuah sistem yang dapat memberikan klasifikasi dan ringkasan atas review produk tersebut. Review tehadap suatu produk, umumnya tidak hanya kepada produk itu sendiri namun lebih banyak kepada fiturfiturnya. Untuk itu dilakukan juga analisis untuk dapat mengambil fitur-fitur dari produk dan kata opininya menggunakan metode Noun Phrase Chunking dan Double Propagation. Klasifikasi ditingkat aspek dilakukan untuk menentukan opini–opini pada review produk kedalam opini positif dan negatif. Ada banyak metode untuk melakukan klasifikasi tersebut, pada penelitian ini digunakan metode Unsupervised berbasis kesamaan polarity pada setiap kata opini yang muncul bersamaan yang dihubungkan dengan sebuah konjungsi “and” yang mampu memberikan orientasi opini dengan tepat.

Reference


[1] PowerReviews. (2015, Feb.) [Online]. http://www.powerreviews.com/powerreviews-releases-study-on-the-impact-ofproduct-ratings-and-reviews-on-consumer-purchase-behavior/

[2] Garcıa-Pablos, A., Cuadros, M., Gaines, S., & Rigau, G. (2014). V3: Unsupervised generation of domain aspect terms for aspect based sentiment analysis. SemEval 2014, 833. Crossref

[3] Brody, S., & Elhadad, N. (2010, June). An unsupervised aspect-sentiment model for online reviews. In Human Language Technologies: The 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics (pp. 804-812). Association for Computational Linguistics.

[4] Liu, B. (2012). Sentiment Analysis and Opinion Mining Morgan & Claypool Publishers. Language Arts & Disciplines, 167.

[5] Nirenburg, S. (Ed.). (2009). Language Engineering for Lesser-Studied Languages (Vol. 21). Ios Press.

[6] M. C. de Marneffe and C. D. Manning, "Stanford Typed Dependencies Manual," Dec. 2013.

[7] A. O. D. Community. (2016, Mar.) the Apache Software Foundation. [Online]. https://opennlp.apache.org/documentation/1.5.2-incubating/manual/opennlp.html

[8] Chan, K. T. (2009). Improving Opinion Mining with Feature-Opinion Association and Human Computation.

[9] Ghorashi, S. H., Ibrahim, R., Noekhah, S., & Dastjerdi, N. S. (2012). A frequent pattern mining algorithm for feature extraction of customer reviews. In IJCSI International Journal of Computer Science Issues.

Last modified: 2016-11-02