ABSTRAKSI: Sentiment Classification dapat memberikan nilai pada suatu teks apakah teks tersebut termasuk ke dalam “negatif”, “netral” atau “positif”. Dari Sentiment Classification tersebut dapat memberikan suatu rekomendasi kepada pengguna dalam bentuk tekstual. Recommender System dapat dijadikan cara untuk memberikan rekomendasi suatu produk baru kepada pengguna. Sebagian besar deskripsi aplikasi/produk, opini dari pengguna dan sebagainya disajikan dalam bentuk tekstual di website. Ada banyak cara dalam menilai suatu produk yang ditawarkan, contohnya ialah dengan pengguna memberi penilaian dengan memberi “Like” atau “Dislike” atau pengguna memberikan bintang dari skala 1(kurang bagus) sampai 5 (sangat bagus.
Pada Tugas akhir ini, Sentiment Classification akan dilakukan melalui Opinion Extraction, dimana dalam tahap ini akan dilakukan pengolahan kata fitur produk dan kata opini, proses parsing dengan menggunakan Stanford Parser untuk mendapatkan hubungan gramatikal dalam setiap kalimat, menentukan pasangan kata fitur produk dan opini, menentukan kekuatan dan polaritas kata opini melalui SentiWordNet lalu mengakumulasi nilai akhir untuk setiap review. Jika nilai akhir Sentiment tersebut positif maka pengguna tersebut merekomendasikan aplikasi yang dibicarakan, jika negatif sebaliknya. Kemudian dengan menggunakan teknik Item Based Collaborative Filtering Recommender System, kita dapat memberikan suatu rekomendasi kepada pengguna berdasarkan dari aplikasi-aplikasi yang pernah mereka nilai sebelumnya.
Berdasarkan hasil pengujian menggunakan metode Mean Opinion Score (MOS), Recommender System yang dibangun dengan Sentiment Classification melalui Opinion Extraction dapat menjamin hasil nilai total sentimen dengan akurasi sebesar 92% dan akurasi untuk hasil aplikasi rekomendasi sebesar 83%.Kata Kunci : Opinion Extraction, Sentiment Classification , Recommender System, Collaborative FilteringABSTRACT: Sentiment Classification can provide value in a text is the text belong to the "negative", "positive" or "neutral". The Classification of Sentiment can provide a recommendation to the user in the form of a textual. Recommender System can be used as a way to give a new product recommendations to users. Most of the application/product descriptions, opinions from users and so on are presented in textual form on the website. There are many ways in assessing a product offered, for example, is to give users an assessment by giving it a "Like" or "Dislike" or the user gives the stars from a scale of 1 (not good) to 5 (very good).
In this final Task, Sentiment Classification will be done through Opinion Extraction, where in this phase will be done word processing product features and opinions, said the process of parsing using the Stanford Parser to get the grammatical relationship in every phrase, word pairs to determine product features and opinions, determines the strength and polarity of opinion through SentiWordNet words then accumulate final value to each review. If the value of the end of the positive Sentiment that user then recommend applications that talk about, if negative otherwise. Then by using the techniques of Item
Based Collaborative Filtering Recommender System, we can provide a recommendation to the user based on the applications they've ever scored before. Based on the results of testing method using Mean Opinion Score (MOS), the Recommender System based on Sentiment Classification through Opinion Extraction can guarantee the result of a total value of sentiment with the accuracy of 92% for accuracy and results of application recommended by 83%.Keyword: Opinion Extraction, Sentiment Classification, Recommender System, Collaborative Filtering