IMPLEMENTASI ANALISIS SENTIMEN ULASAN PENGGUNA TRANSPORTASI ONLINE BERBASIS ASPEK MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

UTARI, ALYAA PRAMESTI (2025) IMPLEMENTASI ANALISIS SENTIMEN ULASAN PENGGUNA TRANSPORTASI ONLINE BERBASIS ASPEK MENGGUNAKAN METODE SUPPORT VECTOR MACHINE. Other thesis, UPN Veteran Yogyakarta.

	Text Cover Tugas Akhir_Alyaa Pramesti Utari_123200157.pdf Download (181kB)
	Text Abstrak_Alyaa Pramesti Utari_123200157.pdf Download (455kB)
	Text Daftar Isi__Alyaa Pramesti Utari_123200157.pdf Download (457kB)
	Text Lembar Pengesahan Pembimbing_Alyaa Pramesti Utari_123200157.pdf Download (164kB)
	Text Lembar Pengesahan Penguji_Alyaa Pramesti Utari_123200157.pdf Download (218kB)
	Text Daftar Pustaka_Alyaa Pramesti Utari_123200157.pdf Download (499kB)
	Text Skrisi Fulltext_Alyaa Pramesti Utari_123200157.pdf Restricted to Repository staff only Download (5MB)

Abstract

Perkembangan teknologi telah membawa perubahan signifikan dalam berbagai aspek
kehidupan, termasuk sektor transportasi. Penggunaan aplikasi transportasi online seperti
Gojek, Grab, dan Maxim memberikan kemudahan bagi masyarakat untuk memesan layanan
kapan saja dan di mana saja. Namun, ulasan pengguna yang tersedia pada platform seperti
Google Play seringkali sulit dianalisis secara manual, sehingga diperlukan metode analisis
sentimen untuk memahami persepsi dan pengalaman pengguna. Penelitian ini menggunakan
metode Support Vector Machine (SVM) untuk melakukan analisis sentimen berbasis aspek
pada ulasan pengguna terhadap tiga aplikasi transportasi online tersebut. SVM dipilih karena
kemampuannya menangani data berdimensi tinggi dan mencegah overfitting. Namun,
ketidakseimbangan data menjadi tantangan yang diatasi dengan menggunakan Synthetic
Minority Oversampling Technique (SMOTE) untuk meningkatkan distribusi data minoritas.
Hasil penelitian menunjukkan bahwa pada klasifikasi sentimen biner, akurasi rata-rata
meningkat dari 96.86% menjadi 98.17% setelah menggunakan SMOTE. Pada klasifikasi
aspek multiclass, akurasi model juga meningkat dari 79.06% menjadi 83.24%. Peningkatan
yang signifikan terjadi pada evaluasi K-Fold Cross Validation, di mana akurasi klasifikasi
sentimen meningkat dari 95.87% menjadi 98.40%, dan akurasi klasifikasi aspek meningkat
dari 81.38% menjadi 92.55%. Hasil ini menunjukkan bahwa SMOTE efektif dalam
mengatasi ketidakseimbangan data, sehingga model dapat mempelajari pola dari kelas
minoritas dengan lebih baik. Penelitian ini diharapkan memberikan panduan bagi pengguna
dalam memilih aplikasi yang sesuai serta memberikan kontribusi dalam pengembangan
metode analisis sentimen berbasis aspek.
Kata kunci : Analisis Sentimen, Transportasi Online, SMOTE, SVM, Confusion Matrix

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Transportasi Online, SMOTE, SVM, Confusion Matrix
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md Eko Suprapti
Date Deposited:	05 Mar 2025 01:03
Last Modified:	05 Mar 2025 01:11
URI:	http://eprints.upnyk.ac.id/id/eprint/42180

Actions (login required)

View Item