[Skripsi] Sistem Analisis Sentimen Komentar pada Dosen dgn Metode K-Means

30 July 2017 09:06:44

[Skripsi] Sistem Analisis Sentimen Komentar pada Dosen dgn Metode K-Means

 

Silakan download / clone di https://github.com/tianrosandhy/Skripsi-Sentimen-Analisis-K-Means-KNN jika mau langsung digunakan~ Sekarang sistem analisis ini bisa diakses melalui API yang disediakan, atau bisa kalian download sendiri untuk dikembangkan lebih lanjut.

 

Metode yang aku pake di topik skripsi ini adalah gabungan K-Means dan K-Nearest Neighbor. Kedua metode ini pada dasarnya adalah metode untuk clustering / pengelompokan data. Kenapa aku pakai kedua metode ini? Karena kalau pake Naive Bayes katanya terlalu gampang, dan kalau pake metode lain kayak SVM itu terlalu susah. Jadi jalan tengahnya ya coba-coba bermain di 2 metode ini aja deh.. Ternyata hasilnya nggak jelek-jelek banget kok..

 

Menggunakan metode K-Means dan K-NN ini berarti kita harus menyiapkan data training untuk dianalisis. Semakin banyak dan unik data training yang kita miliki, semakin tinggi juga keakuratan analisis sentimennya. Di skripsi dan contoh API yang aku bawakan disini menggunakan 200 data latih komentar positif, dan 200 data latih komentar negatif. Kok sedikit? Soalnya dari total sekitar 6000 data kalimat komentar dosen yang aku dapet dari kampus, yang sentimennya negatif cuma 200! Yaudah, artinya aku nggak bisa pakai data latih banyak2 deh.. Tapi kedepannya bisa dikembangin lagi kok..

APInya bisa kita akses dengan mengakses skripsi.tianrosandhy.com/api/contoh kalimat komentar disini, atau mengakses di skripsi.tianrosandhy.com/api.php?q=contoh kalimat komentar disini. Output yang akan diberikan adalah seperti ini : 

Contoh API Sentimen Analisis

Ada 4 parameter utama yang nantinya bisa kita olah sesuai masukan, yaitu 1. Parameter "error". Apabila ada kesalahan, atau masalah nilainya akan menjadi TRUE, dan juga sebaliknya. 2. Parameter "input". Hanya menampilkan ulang kalimat apa yang kita masukkan, sekaligus memberi tahu kalimat yang terbaca oleh sistem seperti apa. 3. Parameter "message", menampilkan kalimat yang menjelaskan hasil analisis sentimen yang sudah dilakukan, dan 4. Parameter "sentimen" itu sendiri yang diwakilkan dalam angka 1 untuk positif, 0 untuk sentimen negatif, dan -1 apabila ada kesalahan.

Format data JSON ini membuat API ini bisa kita terapkan di aplikasi desktop maupun mobile. Contoh penerapannya juga ada di skripsi.tianrosandhy.com.

Penerapan API Sentimen KomentarDisana saya menggunakan jQuery AJAX untuk memanggil API tersebut. Kalian pun bisa mengembangkannya juga dengan mengakses API tersebut untuk diterapkan di aplikasi berbasis apapun.. Cuma perlu diingat, karena keterbatasan data latih, jadi ya maaf saja kalau ada beberapa inputan kalimat komentar yang salah dideteksi. Semoga bermanfaat yak

0
0
SHARE

Contact Me