ANALISIS SENTIMEN ULASAN APLIKASI DANA MENGGUNAKAN SUPPORT VECTOR MACHINE DAN NAÏVE BAYES

PAMUNGKAS, MUHAMAD YULI (2025) ANALISIS SENTIMEN ULASAN APLIKASI DANA MENGGUNAKAN SUPPORT VECTOR MACHINE DAN NAÏVE BAYES. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (272kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (966kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (287kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (967kB)
	Text (BAB V) BAB V.pdf - Published Version Download (81kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (166kB)
	Archive (SOURCE CODE) Source Code - 22.11.4924.zip - Published Version Restricted to Repository staff only Download (807kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (524kB)

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan hasil kerja algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) serta Multinomial Naïve Bayes dalam mengklasifikasikan sentimen dari 5.200 ulasan aplikasi DANA yang berbahasa Indonesia. Ulasan-ulasan tersebut dikumpulkan melalui teknik web scraping di platform Google Play Store. Penelitian ini fokus pada dua jenis sentimen, yaitu sentimen positif dan negatif. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan beberapa proses preprocessing teks, seperti cleaning, case folding, menghilangkan stopwords, tokenizing, dan stemming agar data teks menjadi lebih bersih dan standar. Data kemudian diubah menjadi representasi TF-IDF sehingga teks bisa diubah ke dalam bentuk angka yang menunjukkan tingkat kepentingan kata dalam dokumen. Karena data sentimen tidak seimbang, maka digunakan metode SMOTE (Synthetic Minority OverSampling Technique) untuk menyeimbangkan distribusi kelas dan mencegah bias dalam prediksi sentimen. Proses pelatihan model juga dilakukan dengan menambahkan teknik hyperparameter tuning menggunakan GridSearchCV pada kedua algoritma untuk mencari parameter terbaik dan meningkatkan akurasi prediksi. Evaluasi kinerja dilakukan dengan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasilnya menunjukkan bahwa SVM dengan kernel RBF memberikan performa lebih baik dibandingkan Multinomial Naïve Bayes. SVM RBF memiliki Accuracy sebesar 87,78%, Precision 88,18%, Recall 87,84%, dan F1-Score 87,91%. Sementara itu, Multinomial Naïve Bayes memiliki Accuracy 85,54%, Precision 89,05%, Recall 85,43%, dan F1-Score 86,18%. Dengan demikian, algoritma SVM kernel RBF lebih unggul dan disarankan untuk digunakan dalam analisis sentimen pada bahasa Indonesia, terutama dalam aplikasi keuangan digital seperti DANA karena memberikan hasil yang lebih akurat dan seimbang untuk kedua kelas sentimen.

Actions (login required)

View Item