Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Teknika
Anasthasya Averina
Program Studi Teknik Informatika, Universitas Surabaya, Jawa Timur
Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Sentimen Multi-Kelas Untuk Film Berbasis Teks Ulasan Menggunakan Model Regresi Logistik Anasthasya Averina; Helen Hadi; Joko Siswantoro
Teknika Vol 11 No 2 (2022): Juli 2022
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v11i2.461

Abstract

Pengutaraan pendapat atau pengutaraan pemikiran secara sukarela terhadap suatu film pada situs pengulas film merupakan hal yang sering dilakukan oleh pengguna. Beberapa pengguna kadang-kadang memberikan ulasan yang ambigu terhadap sebuah film, yaitu dengan memberikan komentar yang buruk tetapi memberikan rating yang baik atau sebaliknya. Hal ini dapat berpengaruh pada citra film tersebut. Maka dari itu, diperlukan sistem yang dapat memprediksi rating agar sesuai dengan komentar yang diberikan atau sistem pembenaran rating. Penelitian ini bertujuan untuk memprediksi rating suatu film berdasarkan ulasan yang diberikan oleh pengguna menggunakan model Regresi Logistik. Dataset yang digunakan pada penelitian ini adalah data ulasan 10 film yang berbeda dari Mendeley Data. Tahap pra-pemrosesan dilakukan dengan penghapusan kata umum, tanda baca, pengurangan dimensi, dan pengekstrakan ciri dari teks ulasan menggunakan library scikit-learn. Dengan 80% data sebagai training dan sisanya digunakan untuk testing, hasil perhitungan akurasi prediksi 10 kelas rating yang didapatkan dari feature extraction CountVectorize adalah 36% dan TfidfVectorizer sebesar 32%. Sedangkan hasil dari perhitungan akurasi prediksi 2 class sentiment, didapatkan hasil tertinggi sebesar 83% oleh feature extraction CountVectorizer dan feature extraction TfidfVectorizer sebesar 76%.
Co-Authors Helen Hadi Joko Siswantoro