PERBANDINGAN TEKNIK OVERSAMPLING DALAM IMPLEMENTASI SUPPORT VECTOR MACHINE PADA ANALISIS SENTIMEN APLIKASI OJEK ONLINE

Ma’ruf, Muhammad Amar (2024) PERBANDINGAN TEKNIK OVERSAMPLING DALAM IMPLEMENTASI SUPPORT VECTOR MACHINE PADA ANALISIS SENTIMEN APLIKASI OJEK ONLINE. Other thesis, UPN "Veteran" Yogyakarta.

	Text FINAL-SKRIPSI_ M AMAR-123200122.pdf Restricted to Repository staff only Download (4MB)
	Text COVER.pdf Download (176kB)
	Text Abstrak.pdf Download (189kB)
	Text Pengesahan Pembimbing.pdf Download (206kB)
	Text Pengesahan Penguji.pdf Download (238kB)
	Text Daftar Isi.pdf Download (143kB)
	Text Daftar Pustaka.pdf Download (202kB)

Abstract

Ojek online adalah sebuah jasa layanan transportasi yang menggunakan basis internet
dalam setiap kegiatan transaksinya baik dari pemesanan, pembayaran, pemantauan driver, dan
penilaian layanan itu sendiri. Ojek online merupakan bentuk transformasi dari ojek
konvensional yang sebelumnya hanya singgah di suatu tempat tertentu (pangkalan). Salah satu
penyedia layanan ojek online adalah Maxim. Pada aplikasi tersebut terdapat ulasan pengguna
yang merepresentasikan 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 klasifikasi.
Namun, SVM memiliki kelemahan dalam pemilihan parameter yang tidak optimal dan
ketidakseimbangan data. Untuk mengatasi masalah ketidakseimbangan data yang terjadi dalam
analisis sentimen, teknik oversampling menjadi opsi terbaik. Synthetic Minority Over sampling Technique (SMOTE) dan Adaptive Synthetic Sampling (ADASYN) merupakan
teknik oversampling yang diterapkan serta performanya akan dibandingkan untuk mencari
kombinasi terbaik.
Pada hasil penelitian, menunjukkan bahwa model SVM baseline menggunakan rasio
pembagian data latih dan data uji sebesar 80:20 tanpa dilakukan oversampling menghasilkan
nilai precision, recall, dan f1-score sebesar 0.94, 0.85, dan 0.89. Data setelah dilakukan teknik
SMOTE kemudian dilakukan klasifikasi dengan SVM nilainya menjadi 0.92, 0.88, dan 0.90
pada parameter sampling_strategy dan k-neighbors 0.4 dan 3. Sedangkan pada ADASYN
nilainya menjadi 0.92, 0.88, dan 0.90 yang didapatkan pada parameter sampling_strategy dan
k-neighbors 1 dan 5. Dari hasil pengujian hasil performa dari SMOTE dan ADASYN memiliki
nilai yang sama. Penelitian ini menunjukkan bahwa teknik SMOTE dan ADASYN dapat
meningkatkan performa pada SVM dengan penyesuain parameter dan teknik oversampling
mampu mengatasi ketidakseimbangan data sehingga mampu meningkatkan performa dari
Support Vector Machine (SVM).
Kata kunci: Analisis sentimen, SVM, SMOTE, ADASYN

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis sentimen, SVM, SMOTE, ADASYN
Subjects:	H Social Sciences > H Social Sciences (General) T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	24 Dec 2024 01:07
Last Modified:	24 Dec 2024 01:07
URI:	http://eprints.upnyk.ac.id/id/eprint/41898

Actions (login required)

View Item