PENERAPAN ALGORITMA SVM DENGAN ADASYN DAN PSO UNTUK SENTIMEN OPINI KINERJA BPOM DALAM PENGAWASAN PRODUK SKINCARE

Fahriendi, Fitria Amanda Imas (2025) PENERAPAN ALGORITMA SVM DENGAN ADASYN DAN PSO UNTUK SENTIMEN OPINI KINERJA BPOM DALAM PENGAWASAN PRODUK SKINCARE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (220kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (802kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (387kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (970kB)
	Text (BAB V) BAB V.pdf Download (88kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (254kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4272.zip Restricted to Repository staff only Download (2MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (832kB)

Abstract

Perkembangan industri skincare yang pesat mendorong tingginya perhatian masyarakat terhadap keamanan produk yang beredar di pasaran. Badan Pengawas Obat dan Makanan (BPOM) memiliki peran penting dalam pengawasan tersebut. Namun, masih banyak ditemukan kasus produk ilegal atau berbahaya yang menimbulkan keresahan publik. Ketidakpuasan ini kerap diungkapkan melalui media sosial dalam bentuk opini publik. Penelitian ini menggunakan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan sentimen publik terhadap kinerja BPOM dalam pengawasan produk skincare. Untuk mengatasi ketidakseimbangan data yang cenderung didominasi oleh sentimen negatif, digunakan metode Adaptive Synthetic Sampling (ADASYN). Selain itu, dilakukan optimasi parameter SVM menggunakan Particle Swarm Optimization (PSO). Penelitian ini dilakukan melalui beberapa tahapan, yaitu pengumpulan data dari media sosial X (Twitter), persiapan data, preprocessing data, pelabelan data, Exploratory Data Analysis (EDA), pembagian data, ekstraksi fitur menggunakan TF-IDF, penerapan ADASYN, optimasi parameter menggunakan PSO, pelatihan model SVM, serta evaluasi model berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM-ADASYN-PSO memberikan performa terbaik dengan peningkatan akurasi sebesar 2–8% pada semua kernel. Model ini mencapai akurasi tertinggi sebesar 87.37% pada kernel RBF dan sigmoid, dengan nilai presisi 75%, recall 78%, dan F1-score 77%. Dari hasil tersebut, menunjukkan adanya peningkatan recall dan F1-score pada kelas positif, serta peningkatan presisi dan F1-score pada kelas negatif. Secara keseluruhan, model SVM-ADASYN-PSO berhasil meningkatkan kemampuan klasifikasi terhadap kelas minoritas secara lebih seimbang.

Actions (login required)

View Item