KLASIFIKASI TWEET BERDASARKAN SENTIMEN PADA PRODUK SMARTPHONE DENGAN MENGGUNAKAN METODE SUPORT VECTOR MACHINE

ANDRIAN HADINATA, (2017) KLASIFIKASI TWEET BERDASARKAN SENTIMEN PADA PRODUK SMARTPHONE DENGAN MENGGUNAKAN METODE SUPORT VECTOR MACHINE. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

[img]
Preview
Text
1. COVER.pdf

Download (20kB) | Preview
[img] Text
2. PENGESAHAN.pdf

Download (273kB)
[img] Text
3. ABSTRAK.pdf

Download (112kB)
[img]
Preview
Text
4. KATA PENGANTAR.pdf

Download (418kB) | Preview
[img]
Preview
Text
5. DAFTAR ISI.pdf

Download (313kB) | Preview
[img]
Preview
Text
6. BAB I.pdf

Download (108kB) | Preview
[img]
Preview
Text
7. BAB II.pdf

Download (904kB) | Preview
[img]
Preview
Text
8. BAB III.pdf

Download (405kB) | Preview
[img]
Preview
Text
9. BAB IV.pdf

Download (700kB) | Preview
[img] Text
10. BAB V.pdf
Restricted to Repository staff only

Download (1MB)
[img]
Preview
Text
11. BAB VI.pdf

Download (109kB) | Preview
[img]
Preview
Text
12. DAFTAR PUSTAKA.pdf

Download (215kB) | Preview

Abstract

Dalam penelitian ini dilakukan klasifikasi sentimenmasyarakat berupatweet mengenai 5 produk smartphonediantaranya: oppo, samsung, sony, xiaomi dan asus yang dibagi ke dalam kelas sentimen positif dan negatif dengan menggunakankernel RBF dan polynomialpada metodesupport vector machine(SVM).Proses SVM dilakukan dengan menggunakan fungsi LibSVM pada Weka.Model pembelajaranSVM diperoleh dari data latih sebanyak 1200tweet dan selanjutnya digunakan untuk mengklasifikasi 300 data uji.Pengujian akurasimetode dalam klasifikasisentimen tweetini dilakukan dengan model confusion matrix pada data uji dan evaluasi data latih menggunakan 10-fold cross validation untuk mendapatkan modelterbaikdenganmencari nilai pasangan C dan .Untuk fitur bigram data latih pada kernel RBF diperoleh akurasi terbaik dengan nilai C=1dan =0,02sedangkanUntuk fitur bigram data latih pada kernel Polinomial diperoleh akurasi terbaik dengan nilai C=0,5 ; =0,06dan d = 3. Kemudianuntuk fitur unigramdata latih pada kernel RBF diperoleh akurasi terbaik dengan nilai C=0,8 dan =0,02, Untuk fitur unigramdata latih pada kernel Polinomial diperoleh akurasi terbaik dengan nilai C=5 ;=0,01 dan d = 3.Daripengujian yang telah diakukan diketahui bahwa kernel RBF memiliki tingkat akurasi klasifikasi yang lebihbaik dibandingkan kernel polynomialdengan akurasi tertinggi sebesar79.0833% pada fitur unigram68.5833% untuk fitur bigram, hal ini berarti klasifikasi fitur unigram menggunakan kernel RBF pada SVM memberikan tingkat akurasi yang terbaik.Kata Kunci:10-foldcross validation,bigram, confusion matrix,LibSVM,sentimen,smartphone, twitter, unigram, weka,support vector machine

Item Type: Thesis (Skripsi)
Subjects: 600 Teknologi dan Ilmu-ilmu Terapan
Divisions: Fakultas Sains dan Teknologi > Teknik Informatika
Depositing User: Ms. Nilam Badriyah
Date Deposited: 19 Aug 2019 06:35
Last Modified: 19 Aug 2019 06:35
URI: http://repository.uin-suska.ac.id/id/eprint/17533

Actions (login required)

View Item View Item