Evaluasi Komparatif Teknik Ekstraksi Fitur Untuk Analisis Sentimen

Abstract

Penelitian ini bertujuan untuk mengidentifikasi teknik ekstraksi fitur yang paling efektif dalam analisis sentimen dan mengevaluasi perbedaan signifikan dalam performa klasifikasi antara berbagai kombinasi teknik ekstraksi fitur dan algoritma klasifikasi menggunakan analisis T-test. Empat teknik ekstraksi fitur yang diuji meliputi Bag of Words (BoW), Term Frequency-Inverse Document Frequency (TF-IDF), Global Vectors for Word Representation (GloVe), dan Word2Vec. Selain itu, empat algoritma klasifikasi, yaitu Decision Tree (DT), Random Forest (RF), Gradient Boosting Classifiers (GBC), dan Support Vector Machines (SVM) diterapkan pada dua dataset utama: Sentiment140 dan News Sentiment. Metodologi penelitian mencakup preprocessing data untuk meningkatkan kualitas teks, pelatihan model, evaluasi kinerja menggunakan matrik accuracy dan f1-score, serta analisis statistik menggunakan T-test untuk mengukur perbedaan signifikan antar teknik ekstraksi fitur. Dataset Sentiment140 menggunakan accuracy sebagai metrik utama, sedangkan dataset News Sentiment menggunakan f1-score. Hasil penelitian menunjukkan bahwa algoritma RF memberikan performa terbaik pada kedua dataset. Kombinasi TF-IDF dan RF menghasilkan accuracy tertinggi sebesar 76.98% pada dataset Sentiment140, dan kombinasi yang sama memberikan f1-score tertinggi sebesar 84.74% pada dataset News Sentiment. Analisis T-test menunjukkan bahwa tidak terdapat perbedaan signifikan antara teknik ekstraksi fitur yang diuji, ditunjukkan dengan nilai p-value > 0,05 untuk semua pasangan teknik. Hal ini menyiratkan bahwa teknik ekstraksi fitur dapat digunakan secara fleksibel tanpa memengaruhi hasil klasifikasi secara signifikan. Penelitian ini memberikan kontribusi penting bagi pengembangan metode analisis sentimen, khususnya dalam menentukan kombinasi optimal teknik ekstraksi fitur dan algoritma klasifikasi. Hasilnya diharapkan dapat digunakan sebagai referensi dalam penelitian lanjutan dan aplikasi praktis dalam berbagai konteks analisis sentimen