ANALISIS SENTIMEN ULASAN APLIKASI THREADS DI GOOGLE PLAY STORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
Total View This Week0
Total View This Week0
Institusion
Universitas Nahdlatul Ulama Sunan Giri
Author
PEVITA, SELVIA DILA
Subject
004 Pemrosesan data dan ilmu komputer
Datestamp
2024-08-15 05:47:05
Abstract :
Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan aplikasi Threads di Google Play Store menggunakan metode Support Vector Machine (SVM) dengan dua label sentimen, yaitu positif dan negatif. Dataset yang digunakan berjumlah 2872 ulasan. Proses penelitian mencakup beberapa tahap, yaitu Scraping data yang dilakukan menggunakan bahasa pemrograman Python melalui Google Colab, lalu Preprocessing yang meliputi Cleaning, Case Folding, Normalizing, Stopword Removal, Tokenizing, dan Stemming. Selanjutnya ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TFIDF). Model SVM ini menerapkan validasi menggunakan K-Fold CrossValidation dengan skenario k = 2,3,4,5,6,7,8,9, dan 10. Grid Search juga digunakan untuk menentukan parameter terbaik, dan hasil yang didapatkan yaitu Kernel Radial Basic Function, Complexity = 1 dan Gamma = 1. Selanjutnya evaluasi kinerja model dilakukan menggunakan Confusion Matrix. Hasil penelitian menunjukkan bahwa akurasi tertinggi dicapai pada skenario k = 8 dengan nilai akurasi sebesar 82,521%, precision 82,296%, dan recall 82,869%. Hal ini menunjukkan bahwa 82,521% Metode Support Vector Machine dapat memprediksi kelas dengan benar. Dengan demikian, Performa Metode Support Vector Machine untuk analisis sentimen aplikasi Threads baik karena dapat memprediksi banyak kelas data dengan benar dengan rincian 1190 data benarbenar positif dan 1180 data benar-benar negatif. Selain itu, model hanya salah memprediksi 256 data dalam kelas positif yang harusnya negatif, dan 246 data dalam kelas negatif yang harusnya positif.
Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan aplikasi Threads di Google Play Store menggunakan metode Support Vector Machine (SVM) dengan dua label sentimen, yaitu positif dan negatif. Dataset yang digunakan berjumlah 2872 ulasan. Proses penelitian mencakup beberapa tahap, yaitu Scraping data yang dilakukan menggunakan bahasa pemrograman Python melalui Google Colab, lalu Preprocessing yang meliputi Cleaning, Case Folding, Normalizing, Stopword Removal, Tokenizing, dan Stemming. Selanjutnya ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TFIDF). Model SVM ini menerapkan validasi menggunakan K-Fold CrossValidation dengan skenario k = 2,3,4,5,6,7,8,9, dan 10. Grid Search juga digunakan untuk menentukan parameter terbaik, dan hasil yang didapatkan yaitu Kernel Radial Basic Function, Complexity = 1 dan Gamma = 1. Selanjutnya evaluasi kinerja model dilakukan menggunakan Confusion Matrix. Hasil penelitian menunjukkan bahwa akurasi tertinggi dicapai pada skenario k = 8 dengan nilai akurasi sebesar 82,521%, precision 82,296%, dan recall 82,869%. Hal ini menunjukkan bahwa 82,521% Metode Support Vector Machine dapat memprediksi kelas dengan benar. Dengan demikian, Performa Metode Support Vector Machine untuk analisis sentimen aplikasi Threads baik karena dapat memprediksi banyak kelas data dengan benar dengan rincian 1190 data benarbenar positif dan 1180 data benar-benar negatif. Selain itu, model hanya salah memprediksi 256 data dalam kelas positif yang harusnya negatif, dan 246 data dalam kelas negatif yang harusnya positif.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
