(0721) 8030188    [email protected]   

KOMPARASI SELEKSI FITUR PARTICLE SWARM OPTIMIZATION DENGAN INFORMATION GAIN MENGENAI ANALISIS SENTIMEN PEMINDAHAN IBU KOTA NEGARA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE


Pemindahan ibu kota negara mendapat berbagai tanggapan publik pada media sosial. Dalam opini publik seringkali terdapat kata atau frasa yang memiliki ambiguitas tinggi, sehingga dapat mempengaruhi proses klasifikasi sentimen. Adapun cara mengatasi permasalahan tersebut dengan mengunakan seleksi fitur untuk menentukan jumlah fitur yang akan digunakan dan mengurangi fitur yang tidak relevan. Proses seleksi fitur memiliki pengaruh signifikan terhadap meningkatnya akurasi algoritma. Adapun salah satu metode seleksi fitur yaitu Particle Swarm Optimization (PSO) dan Information Gain. Seleksi fitur digunakan dengan tujuan untuk dapat meningkatkan akurasi pada model Klasifikasi. Model Klasifikasi yang digunakan yaitu Support Vector Machine (SVM). Proses tahapan preprocessing terdiri dari case folding, cleansing, normalization, stopword removal, tokenization dan stemming. Data komentar diolah menggunakan representasi Term Frequency-Inverse Document Frequency (TF-IDF) yang kemudian direduksi menggunakan metode seleksi fitur. Hasil terbaik didapatkan pada SVM dengan seleksi fitur PSO dikarenakan dapat meningkatkan sebesar 2,5% pada akurasi, 4,6% pada precision, 2,5% pada recall dan 1,2% pada F1-score dibandingkan dengan tanpa seleksi fitur. Namun, pada SVM dengan seleksi fitur Information Gain peningkatan yang terjadi tidak sebaik pada SVM dengan PSO, dimana SVM dengan Information Gain hanya terjadi peningkatan sebesar 1,7% pada akurasi, 1,9% pada precision dan 1,7% pada recall.

URI
https://repo.itera.ac.id/depan/submission/SB2502140040

Keyword
Seleksi Fitur, Analisis Sentimen, Support Vector M