IMPLEMENTASI SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN KOMENTAR APLIKASI TANDA TANGAN DIGITAL
Abstract
Ulasan atau review pengguna diolah untuk memahami keluhan pengguna terhadap aplikasi agar tersampaikan kepada pihak pengembang untuk dapat memelihara aplikasi. Dari ulasan diperoleh banyak informasi seperti bug report yang menjelaskan kelemahan dan kekurangan dari aplikasi dan juga masukan dari pengguna dari apa yang kurang dalam aplikasi yang digunakan. Dari ulasan pengguna dilakukan identifikasi dan klasifikasi, namun hal tersebut dapat menghabiskan waktu dalam proses pengklasifikasiannya karena ulasan pengguna yang berjumlah banyak bahkan bertambah setiap saat. Oleh karena itu, dibutuhkannya sistem otomasi analisa sentimen ulasan aplikasi. Sistem ini menerapkan algoritma Support Vector Machine (SVM) sebagai metode untuk menentukan sebuah ulasan mempunyai sentimen positif atau negatif. Analisis dilakukan dengan membandingkan fungsi kernel Radial Basis Function (RBF) dan kernel Linear yang dikombinasikan dengan eksperimen penambahan fiture selection, parameter, dan n-gram. Kesimpulannya adalah penyetelan parameter, dan fitur-fitur n-gram mampu meningkatkan nilai akurasi. Dari hasil percobaan dihasilkan kelas negatif sebanyak 4.137 dan kelas positif sebanyak 1.816 pada kernel RBF. Sedangkan pada kernel Linear diperoleh kelas negatif sebanyak 4.049 dan kelas positif sebanyak 1.904 data.
References
T. Yuniati and M. F. Sidiq, “Literature Review: Legalisasi Dokumen Elektronik Menggunakan Tanda Tangan Digital sebagai Alternatif Pengesahan Dokumen di Masa Pandemi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 6, 2020, doi: 10.29207/resti.v4i6.2502.
N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 293, 2020, doi: 10.24114/cess.v5i2.18186.
I. Rozi, S. Pramono, and E. Dahlan, “Implementasi Opinion Mining (Analisis Sentimen) Untuk Ekstraksi Data Opini Publik Pada Perguruan Tinggi,” J. EECCIS, vol. 6, no. 1, pp. 37–43, 2012.
A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” J. Teknoinfo, vol. 14, no. 2, p. 115, 2020, doi: 10.33365/jti.v14i2.679.
U. A. Purwokerto and K. Kunci, “PERBANDINGAN METODE SUPPORT VECTOR MACHINE DAN DECISION TREE UNTUK ANALISIS SENTIMEN REVIEW KOMENTAR PADA APLIKASI TRANSPORTASI ONLINE Abstraksi Keywords : Pendahuluan Tinjauan Pustaka,” JOISM J. Inf. Syst. Manag. Vol. 3, No. 1., vol. 3, no. 1, pp. 1–7, 2021.
M. . Imelda A.Muis & Muhammad Affandes, “Penerapan Metode Support Vector Machine ( SVM ) Menggunakan Kernel Radial Basis Function ( RBF ) Pada Klasifikasi Tweet,” Sains, Teknol. dan Ind. Sultan Syarif Kasim Riau, vol. 12, no. 2, pp. 189–197, 2015.
I. Pujadayanti, M. A. Fauzi, and Y. A. Sari, “Prediksi Rating Otomatis pada Ulasan Produk Kecantikan dengan Metode Naïve Bayes dan N-gram,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 4421–4427, 2018.
F. D. Ananda and Y. Pristyanto, “Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine Sentiment Analysis of Twitter Users on Internet Service Providers Using Support Vector Machine Algorithm,” vol. 20, no. 2, pp. 407–416, 2021, doi: 10.30812/matrik.v20i2.1130.
M. Nurjannah and I. Fitri Astuti, “PENERAPAN ALGORITMA TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) UNTUK TEXT MINING Mahasiswa S1 Program Studi Ilmu Komputer FMIPA Universitas Mulawarman Dosen Program Studi Ilmu Komputer FMIPA Universitas Mulawarman,” J. Inform. Mulawarman, vol. 8, no. 3, pp. 110–113, 2013.
S. Khomsah and A. S. Aribowo, “Model Text-Preprocessing Komentar Youtube Dalam Bahasa Indonesia,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 10, pp. 648–654, 2021.
F. Rahutomo, P. Y. Saputra, and M. A. Fidyawan, “Implementasi Twitter Sentiment Analysis Untuk Review Film Menggunakan Algoritma Support Vector Machine,” J. Inform. Polinema, vol. 4, no. 2, p. 93, 2018, doi: 10.33795/jip.v4i2.152.
N. Saputra, “( Sentiment Analisys With Lexicon Preprocessing ),” Din. Inform., vol. 7, no. 1, pp. 45–57, 2019.
M. K. S. S. T and V. E. S. T, “Abstrak,” vol. 2, no. 1, pp. 1237–1247, 2015.
K. Akromunnisa and R. Hidayat, “Klasifikasi Dokumen Tugas Akhir (Skripsi) Menggunakan K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 4, no. 1, p. 69, 2019, doi: 10.14421/jiska.2019.41-07.
T. Bayu, S. A. Yogyakarta, and O. Arifin, “IMPLEMENTASI METODE FORWARD SELECTION PADA ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) DAN NAIVE BAYES CLASSIFIER KERNEL DENSITY ( STUDI KASUS KLASIFIKASI JALUR MINAT SMA ) IMPLEMEN .... SUPPORT VECTOR MACHINE ( SVM ) DAN NAIVE BAYES CLASSIFIER MACHINE ( SVM ) AND NAÏVE BAYES KERNEL DENSITY ALGORITHM,” no. May, 2019, doi: 10.25126/jtiik.201961000.
R. Puspitasari, “Optimasi Algoritma Klasifikasi Biner dengan Tuning Parameter pada Penyakit Diabetes Mellitus,” pp. 50–59, 2019, doi: 10.30864/eksplora.v9i1.257.
Full Text: Vol. 15 No. 1. pp 10-19
Refbacks
- There are currently no refbacks.
