OPTIMASI PARAMETER PSO BERBASIS SVM UNTUK ANALISIS SENTIMEN REVIEW JASA MASKAPAI PENERBANGAN BERBAHASA INGGRIS
Abstract
As technology advances, many airline service users provide reviews of what they feel while using these services which are written through internet media, such as websites and social media. Currently, a lot of research is being done to analyze someone's review or opinion. This research teaches Support Vector Machine (SVM) as a method for processing data and optimizes Particle Swarm Optimization (PSO) as feature selection to improve. The parameters used in the SVM are the values of C and Epsilon while the parameters used in the PSO are the Population Size and Inertia Weight values. PSO was able to optimize the SVM model with the value of the SVM model before the implementation of the PSO feature selection was 84.25% and after the implementation of the PSO feature selection it increased to 87.39%. The increase in the value increase was 3.14%.
Abstrak
Seiring dengan kemajuan teknologi, banyak pengguna jasa maskapai penerbangan memberikan review mengenai apa yang dirasakan selama menggunakan jasa tersebut yang dituliskan melalui media internet, seperti situs web ataupun media sosial. Saat ini banyak penelitian yang terus dilakukan untuk menganalisis review atau pendapat seseorang. Penelitian ini mengusulkan Support Vector Machine (SVM) sebagai metode untuk memproses data dan mengoptimasi Particle Swarm Optimization (PSO) sebagai seleksi fitur agar akurasi meningkat. Parameter yang digunakan pada SVM adalah nilai C dan Epsilon sedangkan parameter yang digunakan pada PSO adalah nilai Population Size dan Inertia Weight. PSO mampu mengoptimasikan model SVM dengan nilai akurasi model SVM sebelum diterapkannya seleksi fitur PSO adalah sebesar 84,25% dan setelah diterapkannya seleksi fitur PSO akurasi meningkat menjadi 87,39%. Terdapat kenaikan akurasi sebesar 3.14%.
Keywords: Optimasi Parameter; PSO; SVM; Jasa Maskapai Penerbangan.
Full Text:
PDF (64-71)References
Bai, Q. (2010). Analysis of Particle Swarm Optimization Algorithm. Computer and Information Science, 3(1), 180–184.
Dharmadhikari, S. C., Ingle, M., & Kulkarni, P. (2011). Empirical Studies on Machine Learning Based Text Classification Algorithms. Advanced Computing: An International Journal ( ACIJ ), 2(6), 161–169.
Ernawati, S. (2016). Penerapan Particle Swarm Optimization Untuk Seleksi Fitur Pada Analisis Sentimen Review Perusahaan Penjualan Online Menggunakan Naïve Bayes. Jurnal Evolusi, 4(1), 45–53.
Hidayat, A. (2015). Analisis Sentimen Terhadap Wacana Politik Pada Media Masa Online Menggunakan Algoritma Support Vector Machine dan Naive Bayes. Jurnal Elektronik Sistim Informasi Dan Komputer (JESIK), 1(1), 1–7.
Indriani, N., Rainarli, E., & Dewi, K. E. (2017). Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen. Jurnal Infotel, 9(4), 1–6. https://doi.org/https://doi.org/10.20895/infotel.v9i4
Mohey, D., & Hussein, E. M. (2016). A survey on sentiment analysis challenges. JOURNAL OF KING SAUD UNIVERSITY - ENGINEERING SCIENCES, (April). https://doi.org/10.1016/j.jksues.2016.04.002
Moraes, R., Valiati, J. F., & Neto, W. P. G. (2013). Document-level sentiment classification : An empirical comparison between SVM and ANN. Expert Systems With Applications, 40(2), 621–633. https://doi.org/10.1016/j.eswa.2012.07.059
Muis, I. A., Affandes, M., Muis, I. A., Studi, P., Informatika, T., & Sains, F. (2015). Penerapan Metode Support Vector Machine (SVM) Menggunakan Kernel Radial Basis Function (RBF) Pada Klasifikasi Tweet. Jurnal Sains, Teknologi Dan Industri, 12(2), 189–197.
Patil, M. G., Galande, M. V., Kekan, V., & Dange, M. K. (2014). Sentiment Analysis Using Support Vector Machine. International Journal of Innovative Research in Computer and Communication Engineering, 2(1), 2607–2612.
Retno, S., & Hayuningtyas, Y. R. (2020). Penerapan Particle Swarm Optimization Terhadap Support Vector Machine Pada Review Pengguna Transportasi Udara. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer, 5(2), 165–170.
Samad, A., Basari, H., Hussin, B., Pramudya, I. G., & Zeniarja, J. (2013). Opinion Mining of Movie Review using Hybrid Method of Support Vector Machine and Particle Swarm Optimization. Procedia Engineering, 53, 453–462. https://doi.org/10.1016/j.proeng.2013.02.059
Sari, E. P., & Apriatni, E. P. (2014). Analisis Tingkat Kepuasan Pelanggan Dilihat Dari Dimensi Kualitas Pelayanan Dan Harga PT . Garuda Indonesia Airlines (Persero), Tbk Kantor Cabang Semarang. Journal of Social and Politic, 1–11.
Shi, Y. (2004). Particle Swarm Optimization. IEEE Neural Networks Society, (February), 8–13.
Vapnik, V. (1995). The nature of statistical learning theory. In New York: Springer.
Warjiyono, Aji, S., & dkk. (2019). The Sentiment Analysis of Fintech Users Using Support Vector Machine and Particle Swarm Optimization Method. The 7th International Conference on Cyber and IT Service Management (CITSM).
Wati, R. (2020). PENERAPAN ALGORITMA NAIVE BAYES DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI BERITA HOAX PADA MEDIA SOSIAL. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer, 5(2), 9–14.
Yudha, A., Nuryaman, Y., Nuddin, I., & Andhikawati, A. (2019). Sentiment Analysis Pandangan Masyarakat Terhadap Tarif Tol Trans-Jawa Menggunakan Support Vector Machine dan Particle Swarm Optimization. The 10th University Research Colloqium 2019, 13–22.
DOI: https://doi.org/10.31294/evolusi.v8i2.9248
ISSN: 2657-0793 (online). ISSN: 2338-8161 (print)
