Skripsi

Analisis perbandingan penggunaan information gain dan particle swarm optimization pada algoritma support vector machine untuk analisis sentimen aplikasi tokopedia / Shidqi Zakivarian Hanifarchie

Abstrak
Perkembangan teknologi di era industri 4.0 telah mengubah banyak aspek kehidupan termasuk transaksi jual beli yang kini banyak dilakukan secara online melalui platform e-commerce. Tokopedia sebagai salah satu marketplace terkemuka di Indonesia menghadapi tantangan untuk mempertahankan kepuasan pengguna meskipun popularitasnya tinggi. Oleh karena itu penting bagi Tokopedia untuk memahami sentimen pengguna agar dapat meningkatkan kualitas layanan dan mempertahankan loyalitas pelanggan. Salah satu pendekatan yang digunakan adalah analisis sentimen dengan algoritma Support Vector Machine (SVM). Agar performa model SVM optimal diperlukan seleksi fitur yang tepat. Metode seleksi fitur seperti Information Gain dan Particle Swarm Optimization (PSO) berpotensi meningkatkan akurasi model dengan mengeliminasi fitur yang tidak relevan dan memilih fitur yang signifikan. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Tokopedia dengan menggunakan algoritma Support Vector Machine (SVM) yang dioptimalkan melalui dua metode seleksi fitur yaitu Information Gain dan PSO. Data yang digunakan berupa ulasan pengguna aplikasi Tokopedia dari Google Playstore yang dikumpulkan pada rentang bulan Januari hingga Mei 2024. Data yang berhasil dikumpulkan berjumlah 3.399 ulasan. Selanjutnya data akan dianalisis dengan menggunakan algoritma SVM yang diintegrasikan dengan metode Information Gain dan PSO pada proses seleksi fiturnya. Penelitian ini juga akan melakukan beberapa eksperimen untuk menguji berbagai nilai parameter pada masing-masing metode seleksi fitur guna memperoleh model dengan akurasi terbaik. Keseluruhan proses di dalam penelitian ini akan dilakukan dengan bahasa pemrograman Python dan aplikasi Jupyter Notebook dari Anaconda sebagai platform distribusinya. Hasil pembangunan dan perbandingan antar model klasifikasi menunjukkan bahwa penerapan seleksi fitur baik Information Gain maupun PSO dapat meningkatkan akurasi model SVM. Selain itu peneliti juga menetapkan Information Gain sebagai metode seleksi fitur yang paling optimal untuk model. Hal ini dikarenakan meskipun model Information Gain memperoleh akurasi yang sedikit lebih rendah dari PSO model ini memiliki waktu komputasi yang jauh lebih cepat. Model SVM tanpa seleksi fitur menghasilkan akurasi sebesar 81.02% lalu model SVM dengan seleksi fitur Information Gain menghasilkan akurasi 84.26% dan model SVM dengan seleksi fitur PSO menghasilkan akurasi sebesar 84.56%.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Industri, 2024.

Deskripsi Fisik

ix, 92 hlm. : ilus.

Bahasa

Indonesia

No Reg

5825/RS/24

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

1. INFORMATION GAIN - PARTICLE SWARM OPTIMIZATION - ANALISIS SENTIMEN
2. INFROMATION GAIN - PARTICLE SWARM OPTIMIZATION - SENTIMENT ANALYSIS

Pembimbing

1. Aisyah Larasati, S.t., M.t., Mim., Ph.d

Lampiran Berkas