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.

Preview	Text 1. COVER.pdf Download (20kB) | Preview
	Text 2. PENGESAHAN.pdf Download (273kB)
	Text 3. ABSTRAK.pdf Download (112kB)
Preview	Text 4. KATA PENGANTAR.pdf Download (418kB) | Preview
Preview	Text 5. DAFTAR ISI.pdf Download (313kB) | Preview
Preview	Text 6. BAB I.pdf Download (108kB) | Preview
Preview	Text 7. BAB II.pdf Download (904kB) | Preview
Preview	Text 8. BAB III.pdf Download (405kB) | Preview
Preview	Text 9. BAB IV.pdf Download (700kB) | Preview
	Text 10. BAB V.pdf Restricted to Repository staff only Download (1MB)
Preview	Text 11. BAB VI.pdf Download (109kB) | Preview
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

Actions (login required)

View Item