Analisis Rating Sentimen pada Video di Media Sosial Youtube Menggunakan STRUCT-SVM

Kadek Ary Budi Permana; Made Sudarma; Wayan Gede Ariastina

doi:10.24843/MITE.2019.v18i01.P17

Kadek Ary Budi Permana Univesitas Udayana
Made Sudarma Universitas Udayana
Wayan Gede Ariastina Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2019.v18i01.P17

Abstrak

Analisis sentimen pada komentar dapat digunakan untuk menentukan rating sentimen. Komentar yang digunakan adalah komentar yang terdapat pada Youtube. Jenis video yang digunakan adalah video official trailer film Indonesia. Pada paper ini memuat tentang langkah-langkah dalam menentukkan rating sentimen dengan memperhatikan struktur komentar. Pengenalan struktur komentar diperlukan karena tidak semua komentar relevan dengan topik yang bersangkutan. Kelas pada komentar dibagi menjadi tujuh kelas diantaranya positif film, netral film, negatif film, positif bukan film, netral bukan film, negatif bukan film, dan spam / diluar topik. Komentar dengan hasil klasifikasi positif film dan negatif film yang digunakan dalam menentukan rating sentimen. Jumlah like pada komentar juga ikut menentukan rating sentimen. Klasifikasi komentar menggunakan STRUCT-SVM. Hasil dari STRUCT-SVM menunjukkan akurasi mencapai 69,68% untuk linear kernel dan 71,34% untuk RBF kernel.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] H. Bhuiyan, J. Ara, R. Bardhan, and M. R. Islam, “Retrieving YouTube video by sentiment analysis on user comment,” Proc. 2017 IEEE Int. Conf. Signal Image Process. Appl. ICSIPA 2017, no. 1, pp. 474–478, 2017.
[2] J. H. Wang and T. W. Liu, “Improving sentiment rating of movie review comments for recommendation,” 2017 IEEE Int. Conf. Consum. Electron. - Taiwan, ICCE-TW 2017, pp. 433–434, 2017.
[3] E. Rinaldi and A. Musdholifah, “FVEC-SVM for Opinion Mining on Indonesian Comments of YouTube Video,” 2017.
[4] A. Severyn, A. Moschitti, O. Uryupina, B. Plank, and K. Filippova, “Opinion Mining on YouTube,” pp. 1252–1261, 2014.
[5] S. Anastasia and I. Budi, “Twitter sentiment analysis of online transportation service providers,” 2016 Int. Conf. Adv. Comput. Sci. Inf. Syst., pp. 359–365, 2016.
[6] B. Liu, “Sentiment Analysis and Subjectivity,” pp. 1–38, 2010.
[7] C. R. Fink, D. S. Chou, J. J. Kopecky, and A. J. Llorens, “Coarse- and fine-grained sentiment analysis of social media text,” Johns Hopkins APL Tech. Dig. (Applied Phys. Lab., vol. 30, no. 1, pp. 22–30, 2011.
[8] O. Uryupina, B. Plank, A. Severyn, A. Rotondi, and A. Moschitti, “SenTube: A corpus for sentiment analysis on YouTube social media,” Proc. Lang. Resour. Eval. Conf., vol. 2, pp. 4244–4249, 2014.
[9] A. F. Hidayatullah, “The Influence of Stemming on Indonesian Tweet Sentiment Analysis,” no. August, pp. 19–20, 2015.
[10] T. Singh and M. Kumari, “Role of Text Pre-Processing in Twitter Sentiment Analysis,” Procedia - Procedia Comput. Sci., vol. 89, pp. 549–554, 2016.
[11] S. Gharatkar, A. Ingle, T. Naik, and A. Save, “Review Preprocessing Using Data Cleaning And Stemming Technique,” Int. Conf. Innov. Inf. Embed. Commun. Syst. Rev., 2017.
[12] L. Kumar and P. K. Bhatia, “Text mining: concepts, process and applications,” J. Glob. Res. Comput. Sci., vol. 4, no. 3, pp. 36–39, 2013.