Analisis Sentimen Ulasan Pengguna Pada Aplikasi Google Classroom Menggunakan Metode SVM Dan Seleksi Fitur PSO

Penulis

  • Ghaitsa Amany Mursianto Universitas Pembangunan Nasional Veteran Jakarta
  • Didit Widiyanto Universitas Pembangunan Nasional Veteran Jakarta
  • Bambang Tri Wahyono Universitas Pembangunan Nasional Veteran Jakarta

DOI:

https://doi.org/10.52958/iftk.v18i3.4685

Kata Kunci:

Analisis Sentimen, Klasifikasi, Google Classroom, pre-processing, TF-IDF, Support Vector Machine (SVM), Particle Swarm Optimazation (PSO)

Abstrak

Kebijakan PSBB mengharuskan penerapan kegiatan pembelajaran jarak jauh secara online menggunakan aplikasi berbasis daring seperti Google Classroom. Dengan menggunakan Google Classroom memfasilitasi penggunanya untuk mendistribusikan, mengumpulkan, dan memberikan penilaian terhadap tugas-tugas yang diberikan kepada mahasiswa maupun siswa di seluruh negeri. Penelitian ini bertujuan untuk  mengetahui sentimen opini publik  terhadap aplikasi Google Classroom. Dalam melakukan analisis sentimen penelitian ini menggunakan metode Support Vector Machine serta Particle Swarm Optimization sebagai seleksi fitur. Data yang sudah didapatkan akan dilakukan pelabelan data, dilanjut dengan pre-processing data, lalu data yg sudah melewati proses itu akan diberikan bobot kata dengan TF-IDF, kemudian akan masuk seleksi fitur dengan PSO, kemudian dilakukan pembagian data sebesar 80:20, lalu pengklasifikasian dengan metode SVM. Hasil rata-rata evaluasi menggunakan confussion matrix dimana accuracy sebesar 79%, precision sebesar 78%, recall sebesar 67% dengan menggunakan metode SVM  dan dengan menggunakan seleksi fitur PSO mendapatkan hasil accuracy sebesar 83%, precision sebesar 86%, recall sebesar 67%.

Referensi

A. Erfina, E. S. Basryah, A. Saepulrohman, dan D. Lestari, “Analisis Sentimen Aplikasi Pembelajaran Online Di Play Store Pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine (SVM),” dalam Seminar Nasional Informatika (SEMNASIF), vol. 1, no. 1, 2020, hal. 145-152.

R. N Handayani, A. Mubarok, dan S. Susanti, “Optimasi Algoritma Support Vector Machine Menggunakan Particle Swarm Optimization Untuk Analisis Sentimen Pada Ulasan Produk Tokopedia,” JURNAL INFORMATIKA, vol. 6, hal. 1-8, 2019.

M. Al-Ayyoub, A. A. Khamaiseh, Y. Jararweh, dan M. N. Al-Kabi, “A comprehensive survey of arabic sentiment analysis,” Information Processing & Management, vol. 56, no. 2, hal. 320–342, 2019.

N. Khotimah, “Analisis Sentimen Terhadap Review E-Commerce Dengan Metode Stochastic Gradient Descent,” Muhammadiyah University, Semarang, 2019.

M. Rivki, dan A. M. Bachtiar, “Implementasi algoritma K-Nearest Neighbor dalam pengklasifikasian follower twitter yang menggunakan Bahasa Indonesia,” Jurnal Sistem Informasi, vol. 13, no. 1, hal. 31–37, 2017.

M. Z. Naf’an, A. Burhanuddin, dan A. Riyani, “Penerapan Cosine Similarity dan Pembobotan TF-IDF untuk Mendeteksi Kemiripan Dokumen,” Jurnal Linguistik Komputasional, vol. 2, no. 1, hal. 23–27, 2019.

N. P. A. Widiari, I. M. A. D. Suarjaya, dan D. P. Githa, “Teknik Data Cleaning Menggunakan Snowflake untuk Studi Kasus Objek Pariwisata di Bali,” JURNAL ILMIAH MERPAT, vol. 8, no. 2, Agustus 2020.

Z. Efendy, “Normalisasi dalam desain database,” Jurnal coreIT, vol. 4, no. 1, hal. 34–43, Juni 2018.

J. A. Septian, T. M. Fachrudin, dan A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” Journal of Intelligent System and Computation, vol. 1, no, 1, hal. 43–49, 2019.

N. K. Fitriyani, dan A. D. Hartanto, “Analisis Sentimen Terhadap Tokoh Publik Menggunakan Support Vector Machine,” MEANS (Media Informasi Analisa Dan Sistem), vol. 5, no. 1, hal. 8–12, 2020.

N. C. Siregar, R. R. A. Siregar, dan M. Y. D. Sudirman, “Implementasi Metode Naive Bayes Classifier (NBC) Pada Komentar Warga Sekolah Mengenai Pelaksanaan Pembelajaran Jarak Jauh (PJJ),” JURNAL TEKNOLOGIA, vol. 3, no. 1, 2020.

A. M. Pravina, I. Cholissodin, dan P. P. Adikara, “Analisis Sentimen Tentang Opini Maskapai Penerbangan pada Dokumen Twitter Menggunakan Algoritme Support Vector Machine (SVM),”Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, vol. 3, no. 3, hal. 2789-2797, 2019.

K. Setiawan, B. Rahmatullah, B. Burhanuddin, A. B. Paryanti, dan F. Fauzi, “Komparasi Metode Naive Bayes Dan Support Vector Machine Menggunakan Particle Swarm Optimization Untuk Analisis Sentimen Mobil Esemka,” Journal of Information System, Applied, Management, Accounting and Research, vol. 4, no. 3, hal. 102–111, 2020.

H. C. Husada, dan A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika, vol. 10, no. 1, hal. 18–26, 2021.

S. P. H. S. MZ, dan M. Adami, “Algoritma SVM pada Data Mining Tingkat Pemahaman Mata Kuliah (Studi Kasus pada Mata kuliah Rekayasa Perangkat Lunak). dalam Seminar Nasional Informatika (SEMNASIF), vol. 1, no. 1, hal. 291-300, Desember 2020.

R. Noviana, dan D. Wahyuni, “Metode Naïve Bayes Classifier Dalam Analisis Sentimen Pada Komentar Tweet,” 2020.

I. M. Parapat, “Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak,” Doctoral dissertation, Universitas Brawijaya 2018.

H. C. Husada, dan A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika, vol. 10, no. 1, hal. 18–26, 2021.

Y. Ding, W. Zhang, L. Yu, dan K. Lu, “The accuracy and efficiency of GA and PSO optimization schemes on estimating reaction kinetic parameters of biomass pyrolysis,” Energy, vol. 176, hal. 582–588, 2019.

A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, dan W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” Jurnal Teknoinfo, vol. 14, no. 2, hal. 115–123, 2020.

V. P. Kour, dan S. Arora, “Particle swarm optimization based support vector machine (P-SVM) for the segmentation and classification of plants,” IEEE Access, vol. 7, hal. 29374–29385, 2019.

B. Santoso, dan A. I. S. Azis, “Machine Learning & Reasoning Fuzzy Logic Algoritma, Manual, Matlab, & Rapid Miner,” Deepublish, 2020.

Unduhan

Diterbitkan

2022-12-28

Terbitan

Vol 18 No 3 (2022): Desember 2022

Bagian

Article

Lisensi

KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA

Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).