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.

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

Actions (login required)

View Item