Asshidiq, Aji Nugroho (2026) OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN SMOTE UNTUK MENANGANI KETIDAKSEIMBANGAN DATA PADA KLASIFIKASI SENTIMEN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER - ABSTRAK)
COVER.pdf - Published Version Download (1MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (139kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (679kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (364kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (761kB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (45kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (221kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 19.11.3186.zip Restricted to Repository staff only Download (5MB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB) |
Abstract
Analisis sentimen seringkali menghadapi masalah ketidakseimbangan kelas data (imbalanced dataset) yang menyebabkan model Support Vector Machine (SVM) cenderung bias dan kesulitan memprediksi kelas minoritas. Penelitian ini bertujuan untuk mengoptimalkan kinerja SVM dalam mengklasifikasikan data sentimen menggunakan teknik penyeimbangan data Synthetic Minority Over-sampling Technique (SMOTE) dan metode pembobotan teks Term Frequency-Inverse Document Frequency (TF-IDF). Pengujian dilakukan melalui tiga rasio pembagian data latih dan uji, yaitu 80:20 (Skenario 1), 70:30 (Skenario 2), dan 60:40 (Skenario 3). Peningkatan paling terlihat ketika menguji skenario 80:20(Skenario 1), dimana kinerja model mencapai titik paling optimal dengan peningkatan rata-rata akurasi sebesar 82,83% dan F1-Score 82,42%. Kesimpulannya, penerapan SMOTE terbukti sangat efektif untuk mengatasi bias terhadap kelas mayoritas, sehingga menghasilkan sistem klasifikasi sentimen yang jauh lebih adil, stabil, dan dapat diandalkan.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Analisis Sentimen, Support Vector Machine (SVM), Imbalanced Dataset, SMOTE, TF-IDF, Sentiment Analysis. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 27 Jul 2026 07:13 | ||
| Last Modified: | 27 Jul 2026 07:13 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/32390 |
Actions (login required)
 |
View Item |