PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) DENGAN PARTICLE SWARM OPTIMIZATION (PSO) DAN TEKNIK SMOTE DALAM ANALISIS SENTIMEN APLIKASI E-WALLET LINKAJA

Kusumayuda, Ardhian (2024) PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) DENGAN PARTICLE SWARM OPTIMIZATION (PSO) DAN TEKNIK SMOTE DALAM ANALISIS SENTIMEN APLIKASI E-WALLET LINKAJA. Other thesis, UPN "Veteran" Yogyakarta.

	Text Skripsi Full Ardhian Kusumayuda - 123200144.pdf Restricted to Repository staff only Download (2MB)
	Text Abstrak.pdf Download (144kB)
	Text Cover Skripsi.pdf Download (130kB)
	Text Lembar Pengesahan Pembimbing.pdf Download (3MB)
	Text Lembar Pengesahan Penguji.pdf Download (4MB)
	Text Daftar Isi.pdf Download (32kB)
	Text Daftar Pustaka.pdf Download (82kB)

Abstract

Dompet digital atau disebut juga e-wallet adalah sebuah layanan berbasis aplikasi
yang memudahkan penggunanya untuk menyimpan uang serta menggunakannya sebagai
suatu metode pembayaran dengan menawarkan kecepatan, ketepatan, dan keamanan. Di
Indonesia terdapat beberapa penyedia layanan e-wallet yang tersedia, salah satunya adalah
LinkAja. Pada aplikasi tersebut terdapat ulasan pengguna yang menggambarkan kepuasan
pengguna saat menggunakan aplikasi. Kepuasan pengguna dapat dianalisis menggunakan
analisis sentimen dengan salah satu metode yaitu metode Support Vector Machine (SVM)
Support Vector Machine (SVM) merupakan algoritma yang efektif untuk tugas
regresi dan klasifikasi. Namun, SVM memiliki kelemahan dalam pemilihan parameter
yang tidak optimal. Untuk mengatasi ini, digunakan Particle Swarm Optimization (PSO)
sebagai algoritma yang efisien untuk pencarian parameter pada SVM. Selain itu, untuk
mengatasi masalah ketidakseimbangan data yang sering terjadi dalam analisis sentimen,
Synthetic Minority Over-sampling Technique (SMOTE) diterapkan.
Hasil penelitian menunjukkan bahwa dengan menggunakan parameter SVM yang
dioptimalkan oleh PSO, yaitu dengan nilai C = 3.728449 dan nilai parameter gamma (γ) =
0.129836 menggunakan rasio split data 80:20 menghasilkan peningkatan akurasi sebesar
6.67% dibandingkan menggunakan SVM saja, Model terbaik yaitu SVM dengan optimasi
PSO dan teknik SMOTE menghasilkan nilai akurasi tertinggi sebesar 91.11%, nilai presisi
sebesar 87.66%, nilai recall sebesar 91.22%, dan f1-score sebesar 89.40%. Penelitian ini
menunjukkan bahwa teknik SMOTE dan optimasi Particle Swarm Optimization (PSO)
dapat berperan meningkatkan dalam menentukan parameter optimal dan mengatasi
ketidakseimbangan data sehingga dapat meningkatkan hasil klasifikasi seperti akurasi,
presisi, recall, dan f1-score dari Support Vector Machine (SVM).
Kata Kunci: Analisis Sentimen, SVM, PSO, SMOTE, E-Wallet, LinkAja

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, SVM, PSO, SMOTE, E-Wallet, LinkAja
Subjects:	H Social Sciences > H Social Sciences (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	23 Oct 2024 02:04
Last Modified:	23 Oct 2024 02:04
URI:	http://eprints.upnyk.ac.id/id/eprint/41446

Actions (login required)

View Item