OPTIMASI PARAMETER SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH UNTUK ANALISIS SENTIMEN MENGENAI KEBIJAKAN PPKM

Irawan, Fiki Syihab (2024) OPTIMASI PARAMETER SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH UNTUK ANALISIS SENTIMEN MENGENAI KEBIJAKAN PPKM. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK.pdf Download (30kB)
	Text COVER.pdf Download (132kB)
	Text DAFTAR ISI.pdf Download (80kB)
	Text DAFTAR PUSTAKA.pdf Download (177kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (110kB)
	Text PENGESAHAN PENGUJI.pdf Download (103kB)
	Text SKRIPSI FULL_FIKI SYIHAB IRAWAN_123170050.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK
Pandemi COVID-19 yang telah berlangsung sejak tahun 2019 kini telah menyebar
keseluruh dunia termasuk negara Indonesia. Hal tersebut menyebabkan setiap negara
menerapkan kebijakan dan aturan untuk menangani wabah tersebut. Salah satu upaya
pemerintah Indonesia untuk menanggulangi wabah COVID-19 adalah dengan menerapkan
kebijakan PPKM. Kebijakan tersebut menuai pro dan kontra dikalangan masyarakat dan salah
satu tempat masyarakat menyampaikan opini adalah melalui media sosial Twitter. Oleh karena
itu, diperlukan analisis sentimen pada opini masyarakat terhadap kebijakan PPKM pada
Twitter. Salah satu metode yang dapat digunakan untuk analisis sentimen adalah Support
Vector Machine (SVM).
Kekurangan dari SVM adalah pemilihan parameter yang dilakukan secara trial and error
yang kurang efektif. Dilain sisi pemilihan parameter adalah hal krusial yang dapat
mempengaruhi performa SVM. Penelitian ini menggunakan Grid Search sebagai solusi yang
ditawarkan yang berguna untuk menentukan parameter optimal bagi SVM. Data pada
penelitian ini bersumber dari Twitter yang berjumlah 3305 data. Data tersebut kemudian
melalui beberapa proses yaitu labeling secara manual, preprocessing, pembobotan Term
Frequency-Inverse Document Frequency (TF-IDF), dan training model SVM yang dioptimasi
dengan Grid Search.
Berdasarkan hasil pengujian yang telah dilakukan yaitu model SVM tanpa optimasi
mendapatkan nilai akurasi sebesar 86.53%, nilai presisi sebesar 87.20%, dan nilai recall sebesar
86.52%. Dan untuk hasil performa model SVM dengan optimasi Grid Search yaitu akurasi
sebesar 87.74%, presisi sebesar 88.20%, dan recall sebesar 87.75 % dengan kombinasi
parameter terbaiknya adalah C = 2 dan Gamma = 1. Dari hasil yang didapatkan performa SVM
yang dioptimasi dengan Grid Search lebih unggul baik dari segi akurasi, presisi, atau recall.
Oleh karena itu, dapat disimpulkan bawha SVM yang di optimasi menggunakan Grid Search
terbukti dapat meningkatkan performa model SVM.
Kata kunci: Support Vector Machine, Grid Search, Analisis Sentimen.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Support Vector Machine, Grid Search, Analisis Sentimen.
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:	11 Jan 2024 04:01
Last Modified:	11 Jan 2024 04:01
URI:	http://eprints.upnyk.ac.id/id/eprint/38634

Actions (login required)

View Item