ANALISIS SENTIMEN APLIKASI INVESTASI REKSA DANA (BIBIT) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

SAPUTRA, ANDRE (2023) ANALISIS SENTIMEN APLIKASI INVESTASI REKSA DANA (BIBIT) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE. Other thesis, UPN "Veteran" Yogyajarta.

	Text 3. Cover_123160194_Andre Saputra.pdf Download (203kB)
	Text 4. Lembar Pengesahan_123160194_Andre Saputra.pdf Download (784kB)
	Text 1. Skripsi Fulltext_123160194_Andre Saputra.pdf Download (3MB)
	Text 2. Abstrak_123160194_Andre Saputra.pdf Download (249kB)
	Text 5. Daftar Isi_123160194_Andre Saputra.pdf Download (289kB)
	Text 6. Daftar Pustaka_123160194_Andre Saputra.pdf Download (209kB)
	Text 1. Skripsi Fulltext_123160194_Andre Saputra.pdf Restricted to Repository staff only Download (3MB)

Abstract

vii
ABSTRAK
Pengguna aktif aplikasi Bibit tercatat sebanyak 85 ribu orang, angka tersebut
menunjukkan bahwa Bibit merupakan aplikasi investasi reksa dana terbanyak yang
digunakan oleh orang Indonesian dalam berinvestasi reksa dana. Pendapat yang diberikan
pengguna aplikasi Bibit pun beragam, mulai dari yang suka terhadap aplikasi Bibit,
maupun yang tidak suka terhadap aplikasi Bibit. Akan tetapi nilai bintang yang diberikan
oleh pengguna aplikasi Bibit pada halaman ulasan terkadang tidak cocok dengan komentar
yang diberikan, sehingga ulasan tersebut tidak terklasifikasikan dengan akurat. Padahal
jika komentar yang diberikan dapat diketahui apakah bersifat positif, atau negatif maka
dapat membantu untuk menjadi salah satu tolak ukur untuk mengetahui bagus atau tidaknya
aplikasi bibit untuk berinvestasi reksa dana. Untuk itu maka diperlukan suatu teknik
pengklasifikasian komentar yang disebut analisis sentimen.
Penelitian akan dilakukan untuk mengklasifikasikan jenis ulasan dari aplikasi
investasi reksa dana Bibit dalam Bahasa Indonesia ke dalam kategori sentimen positif dan
negatif. Penelitian ini menggunakan data yang diperoleh dari halaman web aplikasi Bibit
pada google play store yang diambil menggunakan teknik web scraping, di mana data
tersebut diberi label positif dan negatif. Kemudian data akan dilakukan pre-processing,
pembobotan setiap kata atau fitur menggunakan term frequency - inverse document
frequency (TF-IDF) dan selanjutnya dilakukan proses training menggunakan kernel Radial
Basis Function (RBF) pada metode Support Vector Machine (SVM). Pengujian dilakukan
menggunakan data sebanyak 2000 data dengan perbandingan data latih sebanyak 70% dan
data uji sebanyak 30%.
Hasil pengujian yang dilakukan menunjukkan bahwa kernel Radial Basis Function
(RBF) menghasilkan nilai akurasi sebesar 90%, nilai rata-rata recall sebesar 90%, dan nilai
rata-rata presisi sebesar 90.1%.
Kata Kunci : Analisis Sentimen, RBF, SVM, Reksa Dana
viii
ABSTRACT
There are 85 thousand active users of Bibit application, this figure shows that Bibit
is the largest number of mutual fund investment applications used by Indonesians to invest
in mutual funds. The reviews given by the users of Bibit application also varied, ranging
from those who liked Bibit to those who did not like Bibit. However, the star rating given
by Bibit application users on the review page sometimes does not match the comments
given, so these reviews are not classified accurately. In fact, if the comments given can be
seen whether they are positive or negative, then they can help to become one of the
benchmarks to find out whether or not Bibit for investing in mutual funds is good. For this
reason, we need a comment classification technique called sentiment analysis.
Research will be conducted to classify the types of reviews of the mutual fund
investment application Bibit in Indonesian into positive and negative sentiment categories.
This study used data obtained from Bibit application web page on the Google Play Store
which was taken using a web scraping technique, where the data was labeled positive and
negative. Then the data will be pre-processed, weighing each word or feature using the
term frequency - inverse document frequency (TF-IDF) and then the training process will
be carried out using the Radial Basis Function (RBF) kernel on the Support Vector
Machine (SVM) method. The test was carried out using 2000 data with a comparison of
70% training data and 30% test data.
The test results showed that the Radial Basis Function (RBF) kernel produced an
accuracy value of 90%, an average recall value of 90%, and an average precision value
of 90.1%.
Keywords : Sentiment Analysis, RBF, SVM, Mutual fund

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Sentiment Analysis, RBF, SVM, Mutual fund
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:	28 Jul 2023 02:59
Last Modified:	28 Jul 2023 02:59
URI:	http://eprints.upnyk.ac.id/id/eprint/36621

Actions (login required)

View Item