PERBANDINGAN PARTICLE SWARM OPTIMIZATION DAN GENETIC ALGORITHM DALAM SELEKSI FITUR PADA ANALISIS SENTIMEN MENGGUNAKAN SUPPORT VECTOR MACHINE (STUDI KASUS OPINI PUBLIK TERHADAP BANJIR SUMATERA DI APLIKASI X (TWITTER))

KARIMY, HAFIZH AKBAR (2026) PERBANDINGAN PARTICLE SWARM OPTIMIZATION DAN GENETIC ALGORITHM DALAM SELEKSI FITUR PADA ANALISIS SENTIMEN MENGGUNAKAN SUPPORT VECTOR MACHINE (STUDI KASUS OPINI PUBLIK TERHADAP BANJIR SUMATERA DI APLIKASI X (TWITTER)). Skripsi thesis, UPN "Veteran" Yogyakarta.

[thumbnail of COVER - HAFIZH AKBAR KARIMY.pdf] Text
COVER - HAFIZH AKBAR KARIMY.pdf

Download (240kB)
[thumbnail of ABSTRAK ABSTRACT - HAFIZH AKBAR KARIMY.pdf] Text
ABSTRAK ABSTRACT - HAFIZH AKBAR KARIMY.pdf

Download (1MB)
[thumbnail of PENGESAHAN - HAFIZH AKBAR KARIMY.pdf] Text
PENGESAHAN - HAFIZH AKBAR KARIMY.pdf

Download (3MB)
[thumbnail of DAFTAR ISI - HAFIZH AKBAR KARIMY.pdf] Text
DAFTAR ISI - HAFIZH AKBAR KARIMY.pdf

Download (783kB)
[thumbnail of DAFTAR PUSTAKA - HAFIZH AKBAR KARIMY.pdf] Text
DAFTAR PUSTAKA - HAFIZH AKBAR KARIMY.pdf

Download (1MB)
[thumbnail of DRAFT SKRIPSI FINAL TTD - HAFIZH AKBAR KARIMY.pdf] Text
DRAFT SKRIPSI FINAL TTD - HAFIZH AKBAR KARIMY.pdf
Restricted to Repository staff only

Download (5MB)

Abstract

Media sosial X (Twitter) menjadi sarana utama publik dalam menyampaikan opini
terkait bencana banjir Sumatera, sehingga analisis sentimen penting dilakukan untuk
memahami persepsi masyarakat. Meskipun Support Vector Machine (SVM) dikenal efektif
untuk klasifikasi teks, representasi pembobotan TF-IDF sering kali menghasilkan ruang fitur
berdimensi tinggi dan mengandung noise yang dapat menurunkan akurasi serta efisiensi
model. Untuk mengatasi masalah dimensi tersebut, diterapkan seleksi fitur berbasis swarm
intelligence dan komputasi evolusioner. Namun, Genetic Algorithm (GA) konvensional
memiliki kelemahan pada tahap crossover acak yang berisiko memisahkan fitur berkorelasi
semantik, serta mutation rate statis yang rentan menyebabkan konvergensi prematur. Oleh
karena itu, penelitian ini bertujuan membandingkan kinerja Particle Swarm Optimization
(PSO), GA konvensional, dan GA modifikasi yang menerapkan semantic-aware crossover
untuk mempertahankan kesatuan makna antar-kata dan adaptive mutation rate untuk
memitigasi stagnasi populasi dalam proses seleksi fitur guna mengoptimalkan akurasi
klasifikasi sentimen berbasis SVM.
Penelitian ini menggunakan pendekatan kuantitatif eksperimental terhadap 3.745
data hasil scraping dari platform X terkait banjir Sumatera (periode November 2025–April
2026). Setelah melalui tahap pra-pemrosesan teks dan deduplikasi dua tahap, diperoleh
3.398 data bersih, dengan 1.464 data di antaranya diberi label secara manual ke dalam kelas
Positif dan Negatif. Pemodelan topik BERTopic diterapkan untuk mengeksplorasi tema
dominan wacana publik. Ekstraksi fitur dilakukan menggunakan TF-IDF (maksimum 1.000
fitur) dan dievaluasi melalui empat skenario seleksi fitur: tanpa seleksi (baseline), PSO, GA
konvensional, serta GA modifikasi. Setiap subset fitur hasil seleksi diklasifikasikan
menggunakan model SVM dengan kernel Linear dan RBF, lalu dievaluasi berdasarkan
metrik accuracy, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa seleksi fitur secara umum berhasil
meningkatkan performa klasifikasi dibandingkan model baseline (83,22% pada kernel
Linear dan 84,25% pada RBF). Pada kernel Linear, GA Modifikasi memberikan performa
terbaik dengan akurasi dan F1-Score mencapai 87,67% hanya dengan menggunakan 498
dari 1.000 fitur (reduksi dimensi sebesar 50,2%), mengungguli GA konvensional (86,30%)
dan PSO (83,56%). Sebaliknya, pada kernel RBF, PSO memberikan hasil akurasi tertinggi
sebesar 86,99% sekaligus menjadi metode yang paling efisien secara komputasi. Sementara
itu, analisis BERTopic mengidentifikasi sembilan tema dominan, mencakup dampak banjir,
bantuan pemerintah, solidaritas sosial, hingga isu deforestasi. Penelitian ini menyimpulkan
bahwa modifikasi GA efektif dalam menjaga korelasi semantik fitur teks dan menghindari
konvergensi prematur pada seleksi fitur teks kebencanaan berbahasa Indonesia, khususnya
saat dipadukan dengan SVM kernel Linear.
Kata Kunci: Analisis Sentimen, Seleksi Fitur, Particle Swarm Optimization, Genetic
Algorithm, Support Vector Machine

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: Analisis Sentimen, Seleksi Fitur, Particle Swarm Optimization, Genetic Algorithm, Support Vector Machine
Subjek: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: A.Md Eko Suprapti
Date Deposited: 17 Nov 2026 01:31
Last Modified: 17 Nov 2026 01:31
URI: http://eprints.upnyk.ac.id/id/eprint/50488

Actions (login required)

View Item View Item