Abstract
Analisis sentimen atau bisa disebut juga opinion mining merupakan salah satu tugas utama dari Natural Language Processing (NLP) yang merupakan studi komputasi yang mempelajari tentang pendapat seseorang terhadap suatu topik bahasan atau entitas. Analisis dilakukan dengan algoritma machine learning (pembelajaran mesin) Naïve Bayes, Decision Tree, dan K-Nearest Neighbor dengan membagi sentimen ke dalam dua kategori sentimen yaitu sentimen positif dan sentimen negatif. Data analisis diambil dari Financial Opinion Mining and Question Answering (FiQA) dan The Financial PhraseBank yang terdiri dari 4.840 kalimat yang dipilih dari berbagai berita keuangan dan dianotasi oleh 16 annotator berbeda yang berpengalaman dalam domain finansial. Penelitian ini ditujukan untuk mendapatkan hasil analisis sentimen dengan algoritma terbaik melalui perbandingan performa algoritma machine learning Naïve Bayes, Decision Tree, dan K-Nearest Neighbor terhadap kalimat finansial yang disajikan oleh FiQA dan The Financial PhraseBank. Berdasarkan analisis, didapatkan hasil performa dari masing-masing algoritma dengan nilai akurasi algoritma Naïve Bayes sebesar 78,45%; algoritma Decision Tree dengan nilai akurasi sebesar 77,72%; algoritma K-Nearest Neighbor (k=3) dengan nilai akurasi sebesar 41,25%; dan K-Nearest Neighbor (k=5) dengan nilai akurasi sebesar 37,38%. Analisis sentimen dengan algoritma Naive Bayes memiliki performa paling baik dengan nilai akurasi paling tinggi.
Recommended Citation
Brilianto, M. N., Susanti, Y., & Zukhronah, E. (2023). Analisis Sentimen terhadap Kalimat Finansial pada FiQA dan The Financial PhraseBank. PYTHAGORAS : Jurnal Matematika dan Pendidikan Matematika, 18(1). https://doi.org/10.21831/pythagoras.v18i1.59760
