ABSTRAKSI: Dengan semakin berkembangnya teknologi internet, maka informasi yang didapatkan semakin beragam. Beberapa informasi tekstual yang terdapat di dalam social media online seperti Twitter. Salah satu informasi yang terdapat di Twitter adalah tentang opini user terhadap suatu produk. Penggalian dan analisis dalam opini penting dilakukan karena bermanfaat terhadap identifikasi produk, perencanaan produk baru atau kecenderungan pasar bagi perusahaan, sehingga dapat diambil langkah-langkah strategis berikutnya. Namun, banyaknya opini yang tersebar membutuhkan sistem yang akan merangkum opini-opini terhadap suatu produk tersebut berdasarkan fitur-fiturnya. Proses pengklasifikasian opini tersebut dapat dilakukan dengan salah satu metode machine learning yaitu metode Support Vector Machine (SVM). SVM memiliki performansi yang lebih baik dibandingkan dengan metode machine learning lainnya pada pengklasifikasian data teks. Sedangkan untuk mengekstraksi fitur dari produk dapat dilakukan dengan mengimplementasikan High Adjective Count Algoritm.
Dalam penelitian ini, penulis mengimplementasikan Support Vector Machine (SVM) dan High Adjective Count Algorithm pada data Twitter untuk menentukan kalsifikasi opini untuk setiap fitur pada satu produk. Hasil dari percobaan menunjukkan sistem dapat secara baik mengekstraksi fitur dengan akurasi ketepatan fitur yang diekstraksi sebesar 96.36% dan mengklasifikasikan opini dengan akurasi rata-rata sebesar 78,97%.
Kata Kunci : Klasifikasi Opini, Ekstraksi Fitur, Support Vector Machine (SVM), High Adjective Count Algorithm, Opinion miningABSTRACT: With the rapid advancement of internet technology, the information obtained is more diverse. Some textual information contained in the online social media such as Twitter. One of the information contained in Twitter is about user opinions about a product. Datamining and analysis of the opinion is important to do because it is useful for the identification of products, new product planning or market trends for the company, so the next strategic steps can be taken. However, many widespread opinion require a system that will summarize the opinions of a product based on its features. Opinion classification process can be done with one machine learning methodthat is Support Vector Machine (SVM). SVM has a better performance compared to other machine learning methods on text data classification. Whereas for extracting features of the product can be done by implementing the High Adjective Count Algorithm. In this study, the authors implement Support Vector Machine (SVM) and High Adjective Count Algorithm on Twitter data to determine the opinion of calcification for each feature of the product. The results of the experiment show that the system can extract features very well with accuracy of 96.36% and classify the opinions with an average accuracy of 78.97%.
Keyword: Classification Opinion, Feature Extraction, Support Vector Machine (SVM), High Adjective Count Algorithm, Opinion mining