PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) ONE VS ALL UNTUK ANALISIS SENTIMEN ULASAN APLIKASI CNN INDONESIA

Ariyani, Desi (2023) PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) ONE VS ALL UNTUK ANALISIS SENTIMEN ULASAN APLIKASI CNN INDONESIA. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (161kB)
	Text COVER.pdf Download (165kB)
	Text DAFTAR ISI.pdf Download (127kB)
	Text DAFTAR PUSTAKA.pdf Download (175kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (147kB)
	Text SKRIPSI FULL_DESI ARIYANI.pdf Restricted to Repository staff only Download (1MB)

Abstract

Salah satu yang melekat pada masyarakat adalah informasi, informasi berupa berita
terus disampaikan, salah satunya melalui aplikasi berita online CNN Indonesia. Banyaknya
aplikasi berita online, CNN Indonesia terus dilakukan update agar meningkatkan kualitas
dengan tujuan mendapatkan kepuasan user. Pada Google play store, rating dan ulasan
berfungsi untuk mempermudah melihat bagaimana tanggapan user terhadap pengalaman
penggunaan aplikasi.Namun, rating dan ulasan saja tidak cukup untuk melihat bagaimana
tanggapan user, pada kenyataanya terdapat beberapa ulasan yang tidak sesuai dengan rating
yang diberikan, pada dasarnya ulasan mengandung sentimen dan mengandung aspek yang
beragam, sehingga perlu dilakukan analisis sentimen dengan aspek.
Dalam melakukan analisis sentimen dengan aspek, SVM (Support Vector Machine)
dipilih sebagai metode yang dapat memberikan akurasi baik dan akurat dalam klasifikasi.
Namun, SVM hanya dapat mengklasifikasi dua kelas saja sehingga memerlukan optimasi
berupa pendekatan one vs all. Pendekatan one vs all memberikan performa yang baik dalam
klasifikasi multiclass (Alita et al., 2020). Dalam analisis sentimen, pembobotan dilakukan
menggunakan metode TF – IDF yang sebelumnya teks ulasan melalui tahap pre processing
terlebih dahulu. Kemudian untuk pengujian menggunakan confusion matrix dan k – fold
cross validation dengan iterasi 5 kali.
Hasilnya SVM dengan pendekatan one vs all menggunakan kernel linear
mendapatkan akurasi rata – rata sebesar 86.9%. Sedangkan akurasi rata – rata SVM untuk
klasifikasi dua kelas mendapatkan akurasi rata – rata sebesar 83.9%.
Kata kunci : SVM, One vs All, Kernel linear, Multiclass, Analisis sentimen

Item Type:	Thesis (Other)
Uncontrolled Keywords:	SVM, One vs All, Kernel linear, Multiclass, Analisis sentimen
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	20 Jun 2023 02:01
Last Modified:	20 Jun 2023 02:01
URI:	http://eprints.upnyk.ac.id/id/eprint/36022

Actions (login required)

View Item