<![CDATA[Analisis sentimen adalah metode untuk mendeteksi sentimen pada opini dalam teks. Tujuan dari penelitian ini adalah untuk menggabungkan pemilihan fitur chi-square dan teknik word embedding untuk meningkatkan akurasi analisis sentimen pada 50.000 data ulasan film dari IMDb. Chi-square digunakan untuk memilih fitur yang paling relevan dalam data teks, sementara word embedding seperti Word2Vec, FastText, dan GloVe digunakan untuk merepresentasikan kata dalam bentuk vektor numerik.Proses analisis diawali dengan pre-processing data, dilanjutkan dengan pemilihan fitur menggunakan uji chi-square, representasi fitur menggunakan word embedding, dan klasifikasi menggunakan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa menggabungkan metode chi-square dengan word embedding meningkatkan kinerja model SVM dibandingkan tanpa feature selection dan word embedding. Hasil kinerja terbaik diperoleh dengan menggunakan gabungan SVM, Word2Vec, dan chi-square, dengan akurasi sebesar 88,63%, precision sebesar 87,64%, recall sebesar 89,61%, dan F1-score sebesar 88,61%. Penelitian ini juga menunjukkan bahwa pemilihan fitur chi-square dapat secara efektif mengurangi dimensionalitas data tanpa mengurangi kualitas informasi, dan word embedding meningkatkan akurasi dengan meningkatkan representasi kata-kata. Hasil penelitian ini menegaskan bahwa kombinasi metode-metode ini dapat digunakan secara efektif untuk analisis sentimen, khususnya pada kumpulan data besar seperti IMDb. Abstract This study discusses sentiment analysis of movie reviews taken from the public IMDb dataset. The main objective of this research is to enhance the performance of the classification model in detecting positive and negative sentiments by utilizing the Chi-Square feature selection method and word embedding techniques. The classification model used is the Support Vector Machine (SVM). Three word embedding techniques tested in this study include Word2Vec, FastText, and GloVe. The study also examines the effectiveness of Chi-Square as a feature selection method to improve model accuracy. The experimental results show that the combination of SVM with Word2Vec supported by Chi-Square feature selection provides the best performance with an accuracy of 88.63%, precision of 87.64%, recall of 89.61%, and an F1-Score of 88.61%. Conversely, the use of GloVe resulted in the lowest performance with an accuracy of 71.92% before feature selection. After Chi-Square feature selection, the performance improved to 79.87%. This study reinforces the conclusion that the use of word embedding techniques together with the Chi-Square feature selection method can significantly enhance the performance of the SVM model in sentiment analysis. This research contributes to developing a more effective approach for sentiment analysis using SVM-based classification methods, by combining feature selection and word embedding as a performance improvement strategy.]]>
