PERBANDINGAN KERNEL POLYNOMIAL DAN RBF PADA ALGORITMA SVM MULTICLASS UNTUK ANALISIS SENTIMEN DI TWITTER (Studi Kasus : Pemberlakuan Pembatasan Kegiatan Masyarakat)
Total View This Week0
Total View This Week0
Institusion
Universitas Teknokrat Indonesia
Author
MUNANDAR, ARIS
Subject
Algoritma dan Pemrograman
Datestamp
2022-11-26 07:35:53
Abstract :
PPKM merupakan kebijakan pemerintah Indonesia untuk menangani penyebaran Virus Corona yang dibuat sejak awal tahun 2021. Maraknya pembahasan mengenai kebijakan PPKM di Twitter membuat penulis tertarik untuk menganalisa sentimen masyarakat Indonesia terhadap kebijakan PPKM tentang trobosan pemerintah dalam mengatasi penyebaran Virus Corona dengan Keyword ?PPKM?. Sentimen yang digunakan adalah positif, negatif, dan netral. Metode yang digunakan untuk menganalisis opini masyarakat dengan data yang diperoleh pada sosial media Twitter menggunakan metode Support Vector Machine (SVM) dengan melakukan pendekedatan mult-iclass yaitu One Against One dan One Against Rest. SVM One Against Rest yang dikombinasikan dengan kernel Polynomial menghasilkan akurasi 98.9% sedangkan kombinasi dengan kernel RBF hanya 95.6%. SVM One Against One yang dikombinasikan dengan kernel Polynomial menghasilkan 98.9% namun kombinasi dengan kernel RBF berbeda sangat signifikan, yakni 77.6%. berdasarkan hal tersebut, dapat di katakan bahwa pendekatan One Against Rest lebih baik dibandingkan dengan One Against One. Sedangkan berdasarkan hasil evaluasi model dengan akurasi terbaik, yakni kombinasi pendekatan One Against Rest dan kernel Polynomial memiliki sebaran kelas berturut-turut adalah positif = 912, netral = 51, dan negatif = 26.
PPKM merupakan kebijakan pemerintah Indonesia untuk menangani penyebaran Virus Corona yang dibuat sejak awal tahun 2021. Maraknya pembahasan mengenai kebijakan PPKM di Twitter membuat penulis tertarik untuk menganalisa sentimen masyarakat Indonesia terhadap kebijakan PPKM tentang trobosan pemerintah dalam mengatasi penyebaran Virus Corona dengan Keyword ?PPKM?. Sentimen yang digunakan adalah positif, negatif, dan netral. Metode yang digunakan untuk menganalisis opini masyarakat dengan data yang diperoleh pada sosial media Twitter menggunakan metode Support Vector Machine (SVM) dengan melakukan pendekedatan mult-iclass yaitu One Against One dan One Against Rest. SVM One Against Rest yang dikombinasikan dengan kernel Polynomial menghasilkan akurasi 98.9% sedangkan kombinasi dengan kernel RBF hanya 95.6%. SVM One Against One yang dikombinasikan dengan kernel Polynomial menghasilkan 98.9% namun kombinasi dengan kernel RBF berbeda sangat signifikan, yakni 77.6%. berdasarkan hal tersebut, dapat di katakan bahwa pendekatan One Against Rest lebih baik dibandingkan dengan One Against One. Sedangkan berdasarkan hasil evaluasi model dengan akurasi terbaik, yakni kombinasi pendekatan One Against Rest dan kernel Polynomial memiliki sebaran kelas berturut-turut adalah positif = 912, netral = 51, dan negatif = 26.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
