OPTIMALISASI SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN PELABELAN VADER PADA ANALISIS SENTIMEN ULASAN GOOGLE CLASSROOM

Maulana, Yuda (2023) OPTIMALISASI SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN PELABELAN VADER PADA ANALISIS SENTIMEN ULASAN GOOGLE CLASSROOM. Sarjana thesis, Universitas Siliwangi.

	Text Cover.pdf Download (45kB)
	Text Lembar Pengesahan.pdf Download (273kB)
	Text Lembar Pengesahan Penguji.pdf Download (237kB)
	Text Lembar Pernyataan Keaslian.pdf Download (228kB)
	Text Abstrak.pdf Download (103kB)
	Text Kata Pengantar, Daftar Isi, Daftar Tabel, Daftar Gambar, Daftar Persamaan, Daftar Lampiran.pdf Download (455kB)
	Text Bab I.pdf Download (153kB)
	Text Bab II.pdf Download (511kB)
	Text Bab III.pdf Download (139kB)
	Text Bab IV.pdf Restricted to Repository staff only Download (629kB)
	Text Bab V.pdf Restricted to Repository staff only Download (30kB)
	Text Daftar Pustaka.pdf Download (160kB)

Abstract

ABSTRAK Google Classroom merupakan salah satu aplikasi manajemen pembelajaran yang memiliki jumlah unduhan dan rating cukup tinggi pada Google Play Store. Ulasan pada aplikasi Google Classroom harus diperhitungkan karena banyak aplikasi pembelajaran online lainnya dengan jumlah unduhan dan rating yang hampir sama dengan Google Classroom. Hal tersebut menyebabkan predikat terbaik untuk sebuah aplikasi menjadi tidak relevan. Selain itu, banyak ulasan yang tidak sesuai dengan rating yang diberikan sehingga ulasan dan rating tersebut tidak dapat dijadikan acuan sebagai penilaian dari suatu aplikasi. Berdasarkan permasalahan tersebut, diperlukan analisis sentimen untuk memperoleh informasi terkait sentimen yang terkandung dalam opini suatu entitas. Proses analisis sentimen memiliki beberapa tahapan, salah satunya pelabelan. Proses pelabelan berpengaruh terhadap hasil analisis sentimen dan performa yang didapatkan oleh suatu algoritma klasifikasi. Tujuan dari penelitian ini yaitu menganalisis performa algoritma klasifikasi Support Vector Machine (SVM) dalam melakukan analisis sentimen pada ulasan Google Classroom dengan menerapkan metode pelabelan VADER. Penelitian yang dilakukan menggunakan metode pelabelan VADER dan metode klasifikasi Support Vector Machine (SVM). Pengujian yang dilakukan menghasilkan performa klasifikasi SVM sebelum menerapkan metode pelabelan VADER menghasilkan nilai akurasi 79,80%, presisi 53,20%, dan recall 55,64%. Nilai yang dihasilkan cukup rendah jika dibandingkan dengan klasifikasi SVM setelah menerapkan pelabelan VADER yang menghasilkan nilai akurasi 90,15%, presisi 90,07%, dan recall 89,32%. Berdasarkan penelitian ini menunjukan bahwa dengan menggunakan metode pelabelan VADER dapat meningkatkan kinerja algoritma klasifikasi SVM. Kata Kunci: analisis sentimen, google classroom, support vector machine, VADER

Actions (login required)

View Item