Hakim, Sulton Nur (2024) Optimasi Fitur dalam Analisis Sentimen Persepsi Pengguna Layanan IndiHome Menggunakan Metode Support Vector Machine dan Maximum Entropy. Masters thesis, Institut Teknologi Sepuluh November.
![]() |
Text (Master Thesis)
6010211011_Master-Thesis.pdf - Accepted Version Restricted to Repository staff only until 2 October 2026. Download (3MB) | Request a copy |
Abstract
Ulasan dari customer dapat dijadikan sebagai input dalam perbaikan suatu pelayanan. Permasalahan muncul ketika ulasan tersebut memliki jumlah yang sangat banyak dan akan memerlukan banyak waktu apabila dibaca secara manual atau satu per satu ulasan, sedangkan perbaikan perlu dilakukan secepatnya agar data tersebut tetap relevan. Oleh karena itu, dalam penelitian ini digunakan metode machine learning dan metaheuristik dengan harapan dapat mendapatkan gambaran mengenai ulasan yang telah diberikan pelanggan dalam waktu yang cepat dan hasilnya memiliki akurasi yang baik. Data ulasan yang telah didapatkan akan dilakukan pelabelan dan pengklasifikasian dalam kelas sentimen positif dan negatif menggunakan metode Support Vector Machine (SVM) dan Maximum Entropy (ME). Digunakan pula algoritma Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO) dalam optimasi pemilihan fitur yang bertujuan untuk peningkatan performansi dari model klasifikasi yang dibentuk. Hasil percobaan klasifikasi didapatkan nilai akurasi sebesar 90.21% untuk metode SVM dan 90.28% untuk metode ME. Selain itu, penggunaan metode GA dan PSO memberikan dampak berupa peningkatan nilai akurasi sebesar 0.5% sampai 2%.
Item Type: | Thesis (Masters) |
---|---|
Uncontrolled Keywords: | Sentiment Analysis, Support Vector Machine (SVM), Maximum Entropy (ME), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Analisis Sentimen |
Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.3 Swarm intelligence Q Science > Q Science (General) > Q370 Entropy (Information theory) |
Divisions: | Faculty of Industrial Technology > Industrial Engineering > 26101-(S2) Master Thesis |
Depositing User: | Sulton Nur Hakim |
Date Deposited: | 07 Aug 2024 21:37 |
Last Modified: | 07 Aug 2024 21:37 |
URI: | http://repository.its.ac.id/id/eprint/114327 |
Actions (login required)
![]() |
View Item |