Pendekatan Optimisasi Stokastik Kombinatorial untuk Analisis Sentimen di Media Sosial Berdasarkan Teknik Pemilihan Fitur

Abstract

Undoubtedly that the huge business data could make data analysis becomes more complicated such that the decision making process would be out of reach. This condition happens in the fields of consumer buying behaviour. Sentiment analysis is a method of processing information to determine the customer opinion and responses in the form of text or responses received from social media sources. It is a process of identifying and categorizing the opinions of customers in the text format. It is also known as opinion mining. It determines whether the contents of documents are either in positive or in negative sense. It also describes that how customer feels towards any particular product, brand or any other thing. One of the approach in solving the sentiment analysis is feature selection technique. The main target of feature selection is to choose relevant features from a large feature set. However this technique contains a combinatorial behaviour and the analysis of the huge data can experience uncertainty parameter. This dissertation addresses an optimization model for solving the sentiment analysis based on feature selection approach using a stochastic combinatorial programming. From the optimization point of view, feature selection is a difficult combinatorial optimization problem. Firstly, since the size of the feature subset is not known a priori, the dimensionality of the decision space is non-reducible. Secondly, since the features may have complementary or contradictory interactions with each other, the decision space is non-separable. Thus, given an m-dimensional feature set, the number of all possible feature subsets is as large as 2m, which makes it very unlikely (if not impossible) to solve it with traditional exhaustive search approaches. This paper proposes a new metaheuristic approach based on the movement of non basic variables, which starts from exploring the decision space to get the feasible integer point. As a computational experience a dataset taken from people’s comment about the advertisement of Universitas Bina Sarana Informatika was analyzed.

Tidak diragukan lagi, besarnya data bisnis dapat membuat analisis data menjadi lebih rumit sehingga proses pengambilan keputusan menjadi tidak terjangkau. Kondisi ini terjadi pada bidang perilaku pembelian konsumen. Analisis sentimen (sentiment analysis) merupakan metode pengolahan informasi untuk mengetahui pendapat dan tanggapan pelanggan berupa teks atau tanggapan yang diterima dari sumber media sosial. Ini adalah proses mengidentifikasi dan mengkategorikan pendapat pelanggan dalam format teks. Ini juga dikenal sebagai penambangan opini (opinion mining). Ini menentukan apakah isi dokumen baik dalam arti positif atau negatif. Ini juga menggambarkan bagaimana perasaan pelanggan terhadap produk, merek, atau hal lain apa pun. Salah satu pendekatan dalam menyelesaikan analisis sentimen (sentiment analysis) adalah teknik pemilihan fitur (feature selection technique). Target utama pemilihan fitur adalah memilih fitur yang relevan dari sekumpulan fitur yang besar. Namun teknik ini mengandung perilaku kombinatorial dan analisis data yang sangat besar dapat mengalami parameter ketidakpastian. Disertasi ini membahas model optimasi untuk menyelesaikan analisis sentimen (sentiment analysis) berdasarkan pendekatan pemilihan fitur (feature selection) menggunakan pemrograman kombinatorial stokastik (stochastic combinatorial programming). Dari sudut pandang optimasi, pemilihan fitur (feature selection) adalah masalah optimasi kombinatorial yang sulit. Pertama, karena ukuran subset fitur tidak diketahui secara apriori, maka dimensi ruang keputusan tidak dapat direduksi. Kedua, karena fitur mungkin memiliki interaksi yang saling melengkapi atau kontradiktif satu sama lain, ruang keputusan tidak dapat dipisahkan. Jadi, dengan adanya himpunan fitur berdimensi-m, jumlah semua subset fitur yang mungkin adalah sebesar 2m, yang membuatnya sangat tidak mungkin (jika bukan tidak mungkin) untuk menyelesaikannya dengan pendekatan pencarian lengkap tradisional. Penelitian ini mengusulkan pendekatan metaheuristik baru berdasarkan pergerakan variabel non-dasar, yang dimulai dari mengeksplorasi ruang keputusan hingga mendapatkan titik integer yang layak. Sebagai pengalaman komputasi, dataset yang diambil untuk dianalisis adalah komentar dari account media sosial (Facebook, Instagram dan Twitter) Universitas Bina Sarana Informatika.