Optimasi Support Vector Machines (SVM) Menggunakan Particle Swarm Optimization (PSO) pada Analisis Sentimen Ulasan Pengguna Layanan Bukalapak di Twitter

Wildan Nugraha; Mardi Hardjianto

doi:10.51454/decode.v4i3.686

Authors

Wildan Nugraha Magister Ilmu Komputer Universitas Budi Luhur
Mardi Hardjianto Magister Ilmu Komputer Universitas Budi Luhur

DOI:

https://doi.org/10.51454/decode.v4i3.686

Keywords:

Analisis Sentimen, Bukalapak, Particle Swarm Optimization, Support Vector Machine

Abstract

Kegiatan bertransaksi secara online sudah seringkali dilakukan oleh berbagai kalangan baik itu kaum anak muda sampai orang tua. Melihat dari tren kunjungan dari setiap marketplace di Indonesia memiliki tren yang berbeda-beda, ada yang mengalami kenaikan dan ada yang mengalami penurunan salah satunya adalah Bukalapak. Dari 3 marketplace terbesar di Indonesia, Bukalapak terus mengalami tren penurunan kunjungan dari tahun 2019 sampai tahun 2022. Pada penelitian ini, bertujuan untuk mengetahui setiap ulasan/komentar di Twitter dan menghitung berapa capaian ulasan yang positif, negatif, atau netral dan juga mengetahui tingkat akurasi terbaik. Metode yang akan digunakan dalam penelitian ini adalah Support Vector Machine (SVM) dan metode untuk optimasi dengan menggunakan Particle Swarm Optimization (PSO). Hasil dari penelitian ini ditampilkan dengan rasio data latih 80% dan data uji 20% yang menggunakan metode Support Vector Machines (SVM) saja, mendapatkan nilai akurasi sebesar 95,94%, precision sebesar 94,92%, dan recall sebesar 96,14%. Sedangkan untuk pengujian kedua menggunakan metode Support Vector Machines (SVM) dan optimasi menggunakan fitur seleksi pada metode Particle Swarm Optimization (PSO) menghasilkan nilai akurasi sebesar 96,22%, precision sebesar 95,24%, dan recall sebesar 96,18%. Pada percobaan kedua ini juga mendapatkan paramater C dan gamma terbaik yaitu parameter C sebesar 0.8036 dan parameter gamma sebesar 1.616.

References

Abas, M. I., & Ibrahim, I. (2019). Optimasi Support Vector Machine Particle Swarm Optimization Untuk Prediksi Konsumsi Energi Listrik. Jambura Journal of Informatics, 1(2), 47-56. https://doi.org/10.37905/jji.v1i2.2646.

Alkhalifi, Y., Gata, W., Prasetyo, A., & Budiawan, I. (2020). Analisis Sentimen Penghapusan Ujian Nasional pada Twitter Menggunakan Support Vector Machine dan Naïve Bayes berbasis Particle Swarm Optimization. Jurnal CoreIT, 6(2), 71-78.

Arsi, P., Wahyudi, R., & Waluyo, R. (2021). Optimasi SVM Berbasis PSO pada Analisis Sentimen Wacana Pindah Ibu Kota Indonesia. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(2), 231-237. https://doi.org/10.29207/resti.v5i2.2698.

Ayu, W., Abdulhakim, R., Umaidah, Y., & Jaman, J. H. (2021). Optimasi Support Vector Machine Berbasis Particle Swarm Optimization Untuk Mendeteksi Hate Speech Pilkada Karawang. Journal of Applied Informatics and Computing, 5(2), 190-201. https://doi.org/10.30871/jaic.v5i2.3473.

Darmawan, R., & Surahmat, A. (2022). Optimalisasi Support Vector Machine (SVM) Berbasis Particle Swarm Optimization (PSO) Pada Analisis Sentimen Terhadap Official Account Ruang Guru di Twitter. Jurnal Kajian Ilmiah, 22(2), 143-152. https://doi.org/10.31599/jki.v22i2.1130.

Giovani, A. P., Ardiansyah, A., Haryanti, T., Kurniawati, L., & Gata, W. (2020). Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi. Jurnal Teknoinfo, 14(2), 115-123. https://doi.org/10.33365/jti.v14i2.679.

Handayani, R. N. (2021). Optimasi algoritma support vector machine untuk analisis sentimen pada ulasan produk tokopedia menggunakan pso. Media Informatika, 20(2), 97-108. https://doi.org/10.37595/mediainfo.v20i2.59.

Ichwan, M., & Dewi, I. A. (2018). Klasifikasi Support Vector Machine (SVM) Untuk Menentukan TingkatKemanisan Mangga Berdasarkan Fitur Warna. MIND (Multimedia Artificial Intelligent Networking Database) Journal, 3(2), 16-23. https://doi.org/10.26760/mindjournal.v3i2.16-23.

Putra, I. R., Widiastiwi, Y., & Chamidah, N. (2022). Pengaruh Seleksi Fitur Particle Swarm Optimization terhadap Sentimen Analisis Aplikasi Pedulilindungi di Twitter dengan Algoritma Support Vector Machine. Informatik: Jurnal Ilmu Komputer, 18(3), 208-220. https://doi.org/10.52958/iftk.v18i3.4681.

Rohman, M. A., & Arifianto, D. (2021). Penerapan Metode Euclidean Probality dan Confusion Matrix dalam Diagnosa Penyakit Koi. Jurnal Smart Teknologi, 2(2), 122-130.

Santoso, A., Nugroho, A., & Sunge, A. S. (2022). Analisis Sentimen Tentang Mobil Listrik Dengan Metode Support Vector Machine Dan Feature Selection Particle Swarm Optimization. Journal of Practical Computer Science, 2(1), 24-31. https://doi.org/10.37366/jpcs.v2i1.1084.

Que, V. K. S., Iriani, A., & Purnomo, H. D. (2020). Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi. https://doi. org/10.22146/jnteti. v9i2, 102.

Utomo, P. E. P., Manaar, M., Khaira, U., & Suratno, T. (2019). Analisis Sentimen Online Review Pengguna Bukalapak Menggunakan Metode Algoritma TF-IDF. JUSS (Jurnal Sains dan Sistem Informasi), 2(2), 35-39.

Vamilina, V., & Novita, R. (2023). Analisis Sentimen E-Wallet Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization. Building of Informatics, Technology and Science (BITS), 5(1), 40-48. https://doi.org/10.47065/bits.v5i1.3526.

Yudha, A., Nuryaman, Y., Andhikawati, A., Ernawati, E., & Suwela, N. (2019, October). Sentiment Analysis Pandangan Masyarakat Terhadap Tarif Tol Trans-Jawa Menggunakan Support Vector Machine dan Particle Swarm Optimization. In Prosiding University Research Colloquium (pp. 13-22).