OPTIMASI SUPPORT VECTOR MACHINE DENGAN METODE HYBRID PARTICLE SWARM OPTIMIZATION DAN GENETIC ALGORITHM PADA ANALISIS SENTIMEN

PURNAMASARI, DESI (2022) OPTIMASI SUPPORT VECTOR MACHINE DENGAN METODE HYBRID PARTICLE SWARM OPTIMIZATION DAN GENETIC ALGORITHM PADA ANALISIS SENTIMEN. Sarjana thesis, Universitas Siliwangi.

[img] Text
1. COVER.pdf
Download (52kB)
[img] Text
2. Lembar Pengesahan_.pdf
Download (617kB)
[img] Text
3. ABSTRAK.pdf
Download (98kB)
[img] Text
4. KATA PENGANTAR, DAFTAR ISI, DAFTAR TABEL, DAFTAR GAMBAR.pdf
Download (171kB)
[img] Text
BAB I.pdf
Download (144kB)
[img] Text
BAB II.pdf
Download (330kB)
[img] Text
BAB III.pdf
Download (211kB)
[img] Text
BAB IV.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text
BAB V.pdf
Restricted to Repository staff only
Download (74kB)
[img] Text
DAFTAR PUSTAKA.pdf
Download (126kB)

Abstract

ABSTRAK Permasalahan dimensi data yanng tinggi berpengaruh terhadap peran atribut pada sistem akurasi analisis sentimen dengan hasil yang kurang memuaskan. Optimasi algoritma SVM menggunakan feature selection particle swarm optimization (PSO) dan Genetic Algorithm (GA) digunakan untuk menentukan atribut yang sesuai dalam dokumen untuk pengklasifikasian menggunakan SVM dengan tujuan meningkatkan akurasi. Jumlah data yang digunakan sebanyak 839 data tweet dengan pembagian 640 data training, dan 199 data testing. Proses data dibagi kedalam dua tahap yakni data training dan data testing. Pemodelan dilakukan sebanyak 4 kali yakni menggunakan algoritma SVM dengan hasil akurasi 88.39%% dan AUC 0.979, SVM+PSO dengan hasil akurasi 92.47% dan AUC 0.980, SVM+GA dengan hasil akurasi 92.42% dan AUC 0.942, SVM+PSO+GA dengan hasil akurasi 95.00% dan AUC 0.912. Hasil percobaan menunjukan bahwa hasil akurasi mencapai 95.00% dan nilai AUC 0.912 yang tergolong kedalam excellent classification. Hasil percobaan juga menunjukan bahwa peningkatan akurasi diperoleh dengan menerapkan PSO dan GA secara bersamaan. Kata Kunci : Analisis sentiment, Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Super Vector Macine (SVM), Twitter

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 20 Feb 2023 02:36
Last Modified: 20 Feb 2023 02:36
URI: http://repositori.unsil.ac.id/id/eprint/8683

Actions (login required)

View Item View Item