OPTIMASI SUPPORT VECTOR MACHINE DENGAN PARTICLE SWARM OPTIMIZATION DALAM ANALISIS SENTIMEN KEPUASAN PELANGGAN FIRST MEDIA

Aji, Wisnu Nugroho (2024) OPTIMASI SUPPORT VECTOR MACHINE DENGAN PARTICLE SWARM OPTIMIZATION DALAM ANALISIS SENTIMEN KEPUASAN PELANGGAN FIRST MEDIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (745kB)
	Text (BAB I) BAB I.pdf Download (158kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (597kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (355kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (45kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (117kB)
	Archive (SOURCE CODE) Source Code - Wisnu Nugroho Aji.zip Restricted to Repository staff only Download (360kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (722kB)

Abstract

Penyedia layanan komunikasi merupakan perusahaan yang perlu diperhatikan kualitas pelayanannya, harga, dan produknya. Salah satunya ialah First Media sebagai penyedia layanan televisi berlangganan, internet, dan teleponrumah yang ada di Indonesia. Dengan perkembangan bermedia sosial saat ini, masyarakat akan mengutarakan opini atau pengalamannya pada platform mediasosial seperti twitter. Opini yang diungkapkan oleh pengguna internet inilah yangdapat menjadi data dalam melihat kepuasan masyarakat khususnya penggunalayanan komunikasi first media Analisis sentimen pada penelitian ini menggunakan algoritma SupportVector Machine (SVM) berbasis Particle Swarm Optimization (PSO). Metode inidipilih karena pada dasarnya menangani klasifikasi dua kelas, sedangkan metodeParticle Swarm Optimization digunakan untuk optimasikan tingkat akurasi dari metode Support Vector Machine. Tidak dipungkiri kombinasi kedua metodesangat baik digunakan dalam data klasifiikasi karena dapat meningkatkan nilaiakurasi menjadi lebih baik. Tujuan dilakukannya penelitian ini ialah untukmembandingkan nilai akurasi dalam proses analisis menggunakan Support VectorMachine terhadap Support Vector Machine berbasis Particle Swarm Optimization.Penelitian ini menggunakan data crawling dari media sosial twitter yang berjumlah 1527 data. Data yang sudah melalui preprocessing data akan dilabelimenggunakan textblob yang kemudian pembobotan setelah itu implementasialgortima yang digunakan. Akurasi dari SVM PSO linear dan RBF dimana untuk hasil tertinggi terdapat pada SVM linear perbandingan dataset 90:10 dengan 87,84% pada SVM PSO linear tanpa SMOTE dan sebesar 93,24% pada SVMlinear +SMOTE.

Actions (login required)

View Item