PENERAPAN SELEKSI FITUR PADA SUPPORT VECTOR MACHINE DENGAN ALGORITMA GENETIKA UNTUK ANALISIS SENTIMEN PADA APLIKASI KREDIVO

Azzahra, Syifa Putri (2024) PENERAPAN SELEKSI FITUR PADA SUPPORT VECTOR MACHINE DENGAN ALGORITMA GENETIKA UNTUK ANALISIS SENTIMEN PADA APLIKASI KREDIVO. Other thesis, UPN "Veteran" Yogyakarta.

	Text Skripsi Full Syifa Putri Azzahra - 123200135.pdf Restricted to Repository staff only Download (4MB)
	Text Abstrak.pdf Download (123kB)
	Text Cover Skripsi.pdf Download (117kB)
	Text Lembar Pengesahan Pembimbing.pdf Download (403kB)
	Text Lembar Pengesahan Penguji.pdf Download (346kB)
	Text Daftar Isi.pdf Download (67kB)
	Text Daftar Pustaka.pdf Download (83kB)

Abstract

Kredivo termasuk aplikasi penyedia layanan pembayaran digital dan kredit di Indonesia
yang menerima banyak ulasan pengguna melalui Google Play Store. Analisis sentimen
dilakukan untuk mengklasifikasikan ulasan-ulasan ini ke dalam tiga kategori: positif, netral,
dan negatif. Dataset terdiri dari 1.754 ulasan yang diperoleh melalui web scraping. Tahapan
preprocessing meliputi cleansing, case folding, tokenisasi, stemming, stopword, penanganan
negasi, dan normalisasi kata, dilanjutkan dengan pembobotan TF-IDF (Term Frequency�Inverse Document Frequency).
Penelitian ini berfokus untuk membandingkan kinerja model SVM dengan dan tanpa
penerapan seleksi fitur Algoritma Genetika dalam pengaturan hyperparameter yang digunakan
untuk proses klasifikasi. Penerapan seleksi fitur Algoritma Genetika pada model SVM
memiliki tujuan untuk mendapatkan kombinasi parameter terbaik dalam khasus ini yaitu C
(penalty parameter) dan γ (koefisien kernel) untuk kernel Radial Basis Function (RBF).
Hasil penelitian menunjukkan bahwa model SVM dengan penerapan Algoritma
Genetika mengalami peningkatan akurasi sebesar 5% yaitu menjadi 82%, nilai ini jauh lebih
tinggi dibandingkan dengan model yang tidak diterapkan seleksi fitur dengan nilai akurasi nya
yaitu 77%. Selain itu didapatkan nilai presisi sebesar 79% dan nilai recall sebesar 77%.
Penelitian ini menegaskan efektivitas penggunaan seleksi fitur Algoritma Genetika untuk
mengoptimalkan parameter SVM, yang menghasilkan peningkatan akurasi klasifikasi
sentimen dan menjadi sangat penting bagi platform layanan digital seperti Kredivo yang sangat
bergantung pada umpan balik pengguna untuk peningkatan layanan.
Namun, penelitian ini juga memiliki kekurangan dalam pendekatan berbasis TF-IDF
yang digunakan, karena metode ini tidak mampu menangkap konteks kalimat secara efektif,
sehingga dapat menyebabkan kesalahan klasifikasi. Pengembangan lebih lanjut dengan metode
seperti word embedding dan penggunaan model yang memperhitungkan konteks, seperti
LSTM atau Transformer, dapat meningkatkan kemampuan sistem dalam memahami konteks
sentimen secara lebih akurat.
Kata kunci: Support Vector Machine, Algoritma Genetika, Analisis Sentimen, Kredivo,
Kernel RBF, Optimasi Hyperparameter, Pembayaran Digital

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Support Vector Machine, Algoritma Genetika, Analisis Sentimen, Kredivo, Kernel RBF, Optimasi Hyperparameter, Pembayaran Digital
Subjects:	H Social Sciences > H Social Sciences (General) H Social Sciences > HE Transportation and Communications
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	04 Nov 2024 01:52
Last Modified:	04 Nov 2024 01:52
URI:	http://eprints.upnyk.ac.id/id/eprint/41517

Actions (login required)

View Item