OPTIMASI PARAMETER SUPPORT VECTOR MACHINE DENGAN ALGORITMA GENETIKA PADA ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP PORTAL BERITA INDONESIA TWITTER DAN FACEBOOK

Kurniawan, Yudhistira Anom (2022) OPTIMASI PARAMETER SUPPORT VECTOR MACHINE DENGAN ALGORITMA GENETIKA PADA ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP PORTAL BERITA INDONESIA TWITTER DAN FACEBOOK. Other thesis, UPN "Veteran" Yogyakarta.

Preview	Text ABSTRAK.pdf Download (297kB) | Preview
Preview	Text COVER.pdf Download (391kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (214kB) | Preview
Preview	Text DAFTAR PUSTAKA(2).pdf Download (424kB) | Preview
Preview	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (570kB) | Preview
	Text SKRIPSI FULL_Yudhistira Anom Kurniawan_123160141.pdf Restricted to Repository staff only Download (4MB)

Abstract

vii
ABSTRAK
Berita online telah menjadi salah satu media massa yang paling sering dikonsumsi oleh
masyarakat karena dapat diakses dimanapun dan kapanpun. Portal berita sebagai penyaji
konten berita memiliki peranan besar dalam menyampaikan berita di media sosial. Dalam
memilih portal berita masyarakat diharapkan memilih portal berita yang dapat dipercaya dan
menghindari yang memilik pandangan buruk, salah satu tolak ukur untuk mengetahui
pandangan masyarakat terkait baik dan buruknya suatu portal berita yaitu dengan melihat
opini yang diberikan oleh masyarakat terhadap berita yang disajikan. Dari data tersebut bisa
dilakukan analisis sentimen untuk mengetahui portal berita mana yang memiliki tanggapan
baik dan buruk menurut masyarakat.
Metode metode Support Vector Machine (SVM) digunakan untuk melakukan klasifikasi
analisis sentimen, tetapi metode Support Vector Machine (SVM) memiliki kekurangan
terhadap pemilihan parameter yang sesuai. Pemilihan parameter yang tidak sesuai dapat
menyebabkan hasil klasifikasi yang rendah, sehingga diperlukan setting parameter untuk
mendapatkan hasil akurasi yang optimal. Parameter yang harus dioptimalkan pada SVM
yaitu kesalahan parameter C dan parameter fungsi kernel seperti parameter gamma(γ) untuk
fungsi kernel Gaussian. Oleh karena itu digunakan Algoritma Genetika (GA) untuk mencari
nilai parameter optimal pada metode Support Vector Machine (SVM) serta mengetahui
tingkat akurasi metode Support Vector Machine (SVM) yang telah dioptimasi dengan
Algoritma Genetika pada klasifikasi sentimen masyarakat terhadap portal berita Indonesia.
Serta mengetahui pandangan baik dan buruk terhadap berita yang diberikan suatu portal
berita di media sosial.
Berdasarkan hasil pengujian dengan confuson matrix, menunjukkan bahwa kinerja
Support Vector Machine tanpa Algoritma Genetika menghasilkan nilai akurasi sebesar
87.05%, nilai presisi sebesar 87.56%, dan nilai recall sebesar 88.03%. Sementara performa
Support Vector Machine dengan Algoritma Genetika nilai akurasi sebesar 90.95%, nilai
presisi sebesar 90.92%, dan nilai recall sebesar 91.33%. Dilihat dari hasil akurasi, presisi
dan recall menunjukkan bahwa performa Support Vector Machine dengan Algoritma
Genetika lebih baik daripada Support Vector Machine tanpa Algoritma Genetika. Hal ini
menunjukkan bahwa Algoritma Genetika dengan Support Vector Machine dapat digunakan
untuk mencari nilai hyperparameter sehingga menghasilkan hasil klasifikasi yang lebih baik.
Kata kunci : Analisis Sentimen, Portal Berita, Facebook, Twitter, Algoritma Genetika,
Support Vector Machine, Kernel RBF, Optimasiviii
ABSTRACT
Online news has become one of the most frequently consumed mass media by the
public because it can be accessed anywhere and anytime. News portals as presenters of news
content have a big role in conveying news on social media. In choosing a news portal, the
public is expected to choose a news portal that can be trusted and avoid those who have bad
views, one of the benchmarks for knowing the public's views regarding the good and bad of
a news portal is by looking at the opinions given by the public on the news presented. From
this data, sentiment analysis can be carried out to find out which news portals have good and
bad responses according to the community.
The Support Vector Machine (SVM) method is used to classify sentiment analysis,
but the Support Vector Machine (SVM) method has shortcomings in selecting the
appropriate parameters. Inappropriate parameter selection can cause low classification
results, so parameter settings are needed to get optimal accuracy results. Parameters that
must be optimized in SVM are error parameter C and kernel function parameters such as
gamma parameter(γ) for Gaussian kernel function. Therefore, the Genetic Algorithm (GA)
is used to find the optimal parameter values in the Support Vector Machine (SVM) method
and to determine the accuracy of the Support Vector Machine (SVM) method that has been
optimized with the Genetic Algorithm on the classification of public sentiment towards
Indonesian news portals. As well as knowing the good and bad views of the news provided
by a news portal on social media.
Based on the testing result with confuson matrix, it showed that the performance of
Support Vector Machine without Genetic Algorithm result give 87.05% of accuracy average,
87.56% of precition average, and 88.03% of recall average. Meanwhile performance of
Support Vector Machine with Genetic Algorithm showed 90.95% of accuracy average,
90.92% of precition average, and 91.33% of recall average. Based on the result of accuracy,
precision, and recall, it shows that performance of Support Vector Machine with Genetic
Algorithm have better performance than Support Vector Machine without Genetic
Algorithm. It showed that Genetic Algorithm can be use to find hyperparameter of Support
Vector Machine to give better result of classification.
Kata kunci : Sentimen Analysist, Portal Berita, Facebook, Twitter, Genetic Algorithm,
Support Vector Machine, Kernel RBF, Optimation

Item Type:	Thesis (Other)
Uncontrolled Keywords:	nalisis Sentimen, Portal Berita, Facebook, Twitter, Algoritma Genetika, Support Vector Machine, Kernel RBF, Optimasi
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	31 Jan 2022 04:36
Last Modified:	15 Aug 2022 07:49
URI:	http://eprints.upnyk.ac.id/id/eprint/28093

Actions (login required)

View Item