PENERAPAN PRACTICAL SWARM OPTIMIZATION SVM DENGAN TEKNIK SMOTE UNTUK KLASIFIKASI SENTIMEN PROGRAM KERJA BUMN

Haitsami, Noor Hafidz Al (2024) PENERAPAN PRACTICAL SWARM OPTIMIZATION SVM DENGAN TEKNIK SMOTE UNTUK KLASIFIKASI SENTIMEN PROGRAM KERJA BUMN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (541kB)
	Text (BAB I) BAB I.pdf Download (225kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (710kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (373kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (95kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (191kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3541.zip Restricted to Repository staff only Download (96kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (4MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi sentimen terhadap program kerja BUMN dengan menggunakan algoritma Support Vector Machine (SVM) yang dioptimalkan oleh Particle Swarm Optimization (PSO) dan teknik SMOTE (Synthetic Minority Over-sampling Technique). Data dikumpulkan dari dua akun Instagram resmi, yaitu FHCI BUMN dan KEMENTERIAN BUMN, dengan total 3000 komentar. Proses pre-processing mencakup case folding, cleaning, normalisasi, stemming, tokenizing, dan stopword removal. Pelabelan dilakukan dengan metode manual. Hasilnya, ditemukan bahwa 1686 komentar bersentimen positif dan 1048 bersentimen negatif. . Teknik SMOTE kemudian diterapkan untuk menyeimbangkan distribusi kelas, menghasilkan data yang seimbang dan siap untuk dianalisis lebih lanjut. Sebelum penerapan PSO pada SVM, model SVM biasa menghasilkan akurasi tertinggi sebesar 75% dengan recall dan precision masing-masing sebesar 76% dan 75% pada skema pembagian data 90:10. Model SVM dioptimalkan menggunakan PSO untuk menemukan parameter optimal, yaitu C dan gamma, dengan hasil evaluasi menunjukkan akurasi tertinggi sebesar 82% pada skema pembagian data 90:10. Hasil ini didukung dengan nilai precision dan recall yang baik untuk kedua kelas sentimen, dengan recall mencapai 82% dan precision mencapai 82%. Penelitian ini menegaskan bahwa PSO efektif untuk mengoptimalkan parameter pada SVM, menghasilkan model klasifikasi sentimen yang lebih akurat dan andal. Pendekatan ini berpotensi untuk diterapkan dalam berbagai aplikasi yang memerlukan prediksi sentimen yang presisi dan dapat diandalkan.

Actions (login required)

View Item