PERBANDINGAN ANALISIS SENTIMEN MENGGUNAKAN COMPLEMENT NAÏVE BAYES DAN SUPPORT VECTOR MACHINE

Margi, Tiyo (2024) PERBANDINGAN ANALISIS SENTIMEN MENGGUNAKAN COMPLEMENT NAÏVE BAYES DAN SUPPORT VECTOR MACHINE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (176kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (614kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (259kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (52kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (136kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3538.zip Restricted to Repository staff only Download (607kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (700kB)

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja dua metode klasifikasi yaitu Support Vector Machine (SVM) dan Naïve Bayes serta pengaruh seleksi fitur Chi-Square dan Information Gain dalam analisis sentiment komentar Youtube terhadap film Dirty Vote. Data dikumpulkan dari komentar Yotube sebanyak 2500 data. Hasil penelitian menunjukkan bahwa seleksi fitur meningkatkan recall dan F1-Score untuk model CNB, dengan akurasi stabil di kisaran 73-76%. Sebaliknya, untuk SVM, seleksi fitur memberikan sedikit variasi pada recall dan F1-Score, namun presisi tetap tinggi (88-89%). Akurasi SVM sedikit menurun pada rasio 70:30 dan 80:20, namun tetap stabil pada rasio 90:10. Secara keseluruhan, seleksi fitur lebih berdampak pada CNB dibandingkan SVM. SVM secara konsisten lebih efektif daripada CNB dalam mengklasifikasikan sentimen komentar, unggul dalam hal presisi, recall, F1-Score, dan akurasi di semua rasio data (70:30, 80:20, dan 90:10). Dengan akurasi mencapai 83% pada rasio 90:10 dan presisi tinggi (88-89%), SVM terbukti lebih unggul dibandingkan CNB, meskipun CNB menunjukkan beberapa peningkatan dengan penerapan seleksi fitur. Penelitian ini memberikan wawasan berharga mengenai pengaruh seleksi fitur dalam analisis sentimen, yang dapat bermanfaat bagi peneliti dalam memilih algoritma dan seleksi fitur yang tepat dan sebagai referensi untuk penelitian selanjutnya.

Actions (login required)

View Item