Klasifikasi Emosi Untuk Teks Bahasa Indonesia Menggunakan

Metode Naive Bayes I. Destuardi

2207205717

PROGRAM MAGISTERBIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)JURUSAN TEKNIK ELEKTROFAKULTAS TEKNOLOGI INDUSTRIINSTITUT TEKNOLOGI SEPULUH NOPEMBERSURABAYA

Perumusan MasalahBerkaitan dengan klasifikasi dokumen emosi dalam bentuk kalimat, dapat dirumuskan masalah sebagai berikut:

• Bagaimana mengklasifikasikan dokumen teks yang berisi kalimat emosi menggunakan metode naïve bayes.

• Sejauh mana metode naive bayes mampu mengklasifikasikan emosi beberapa dokumen teks

Batasan Masalah• Data yang digunakan adalah data teks

berbahasa indonesia• Tidak membahas bahasa simbol emosi• Tidak membahas visual avatar• Tidak membahas emosi berupa tanda dalam

kalimat

Tujuan Penelitian

Mengklasifikasi emosi untuk teks berbahasa Indonesia dengan menggunakan motode naïve bayes

Metodologi

• Persiapan data dokumen• Teks Preprocessing• Pembobotan• Klasifikasi

PSIKOLOGI DAN EMOSI• Sebagai efek, situasi yang timbul disebabkan

perubahan fisik atau perubahan tubuh mengikuti tanggapan terhadap lingkungan dan perasaan perubahan yang sama

EMOSI DASAR• Takut sebagai ancaman fisik atau sosial untuk diri

sendiri• Marah sebagai ganjalan atau frustasi dari peran atau

tujuan yang di rasakan orang lain• Jijik menggambarkan penghapusan atau jarak dari

seseorang, obyek, atau menolak ide untuk diri sendiri dan menghargai peran dan tujuan

• Sedih digambarkan sebagai kegagalan atau kerugian tentang peran dan tujuan

• Senang digambarkan sebagai berhasil atau bergerak menuju selesainya peran yang bernilai atau tujuan

TEXT MINING

Menambang berupa teks dengan mencari kata-kata yang dapat mewakili isi suatu dokumen

Pendekatan Kata Kunci

Pendekatan Hubungan Kata Dengan Kamus

Pendekatan Statistik Pemprosesan Bahasa Alami (NLP)

P

PENDEKATAN

Alur Pembahasan• Teks

Input berupa teks

• Teks PreprocessingTokenizingFiltering

• Teks Transformation Dokumen vektor

• Muncul makna berbeda• Mengeliminasi kesalahan kelas• Menggabungkan kata pada kata-

kata negasi

Modifikasi Dokumen

Dokumen teks adalah sekumpulan kata sehingga diperlukan proses transformasi kedalam bentuk yang dapat di gunakan dalam proses klasifikasi.

ada dua dasar untuk membuat vector :a. Biner - hanya berdasarkan pada ada tidaknya  kata yang muncul dalam dokumenb. Frekuensi – banyaknya kemunculan kata dalam  dokumen

REPRESENTASI DOKUMEN

Pembobotan• Log-tf (logarithmic term frequency)Logtf(d,t) = log (1+rawtf(d,t))• Log-tf.idf (logarithmic term frequency –

inverse document)Logtf.idf(d,t) = log tf(d,t) * log( |D|/n)Rawtf(d,f) adalah frekuensi kemunculan term t pada

dokumen d|D| juml semua dokumen yang mengandung term t

NAIVE BAYES

C

P1 P2 Pk

Klasifikasi Naïve Bayes  sebagai jaringan bayes dengan atribut prediksi (P1, P2, …….Pk) dan kelas (C)

)()|()(

)|(dP

cdPcPdcP jj

j =

++

+= ∑i c

iciiccMNB N

Nfpdl

αα

θ log)(ˆlogmaxarg)(

Data PenelitianData Penelitian

Terjemah dalam bhs. Indonesia

Data terjemah (Data)

Data terjemah modifikasi (DataNot)

Mesin Learning

EXPERIMENT

40

45

50

55

60

65

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Rasio Data

Aku

rasi

Multinomial NB

Naive Bayes

Multinominal vs NB (data)

40

45

50

55

60

65

70

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Rasio Data

Aku

rasi

Data Multinomial NB

Naive Bayes

Multinominal vs NB (data NOt)

40

45

50

55

60

65

70

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Rasio Data

Aku

rasi

Data

DataNot

Data vs Data NOT (MNB)

40

45

50

55

60

65

70

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Rasio Data

Aku

rasi

Data

DataNot

Data vs Data NOT (NB)

DAFTAR PUSTAKA• [1] Casell, J., Sullivan, J., Prevost, S., and Churchill, E., (2000).

Embodied Conversational Agent. MIT Press editors• [2] S.J Russell and P. Norvig, (2003). Artificial Intelligence: A Modern

Approach. Prentice Hall, • [3] Minsky, M.L., (1987). The Society of Mind William Heinemann

Ltd., London.• [4] P. Ekman, W. V Friesen, (1969). The repertoire of nonverbal

behaviour. Semiotica, Vol.1, pp.49-98.• [5] Hazlett, R., (2003). Measurement of User Frustration: A Biologic

Approach. Ext. Abstracts CHI 2003 (Florida, FL, April 5-10), ACM. Press, 734-735.

• [6] Oatley, K. and Jenkins, J.M, (1996). Understanding Emotions, Blackwell.

• [7] Power, M. and Dalgleish, T., (1997) Cognition and Emotion, LEA Press.

• [8] Taner danisma and Adil Alpkocak., (2008). Feeler: Emotion Clasification of Text Using Vector, Proceedings of AISB 2008 Symposium on Affective Language in Human and Machine Volume 2.

• [9] Machnik Lukasz, (2004). Document Clustering Techniques, Annales UMCS Informatica AI 2 p.401-411.

• [10] Paralic, J. - Bednar, P. (2003). Text Mining for Documents Annotation and Ontology Support. A book chapter in: Intelligent Systems at the Service of Mankind, Springer Verlag.

• [11] George H. John and Pat Langley, (1995). Estimating Continuous Distribution in Bayesian Classifiers, In Poceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers, San Mateo.

• [12] Andrew McCallum and Kamal Nigam, (1998). A Comparison of Event Models for Naive Bayes Text Classification, In AAAI/ICML-98 Workshop on Learning for Text Categorization, pp.41-48, Technical Report WS-98-05. AAAI Press.

• [13] Agus Zainal Arifin dan Ari Novan Setiono, (2002). Klasifikasi Dokumen Berita Kejadian Berbahasa Indonesia dengan Algoritma Single Pass Clustering”, Proceeding of Seminar on Intelligent Technology and Its Applications (SITIA), Teknik Elektro, Institut Teknologi Sepuluh Nopember, 07 Mei.

• [14] Minarsari Dewi, Indra Budi dan Petrus Mursanto, (2005). Identifikasi Titik Percabangan Pada Deskripsi Tekstual Use Case Menggunakan Entitas Bernama dengan Metode Association Rules Mining, Seminar NAsional Ilmu Komputer dan Teknologi Informasi Universitas Kriten Satya Wacana.

• [15] Yang, Yiming, (1999). An evaluation of statistical approaches to text categorization. Journal of Information Retrieval I, pp 69-90, Kluwer Academic Publishers, Netherlands.

Terimakasih