Sulistiana, 4611416008 (2020) OPTIMASI SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN GRID SEARCH DAN UNIGRAM GUNA MENINGKATKAN AKURASI REVIEW PADA SITUS E-COMMERCE. Under Graduates thesis, UNNES.

Preview

PDF (OPTIMASI SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN GRID SEARCH DAN UNIGRAM GUNA MENINGKATKAN AKURASI REVIEW PADA SITUS E-COMMERCE) - Published Version Download (1MB) | Preview

Abstract

E-Commerce (Electronic Commerce) adalah proses distribusi, pembelian, penjualan, pemasaran barang, dan jasa melalui sistem elektronik seperti internet, televisi, web, atau jaringan komputer lainnya. Banyak situs E-Commerce seperti amazon.com dan lazada.co.id yang menyediakan berbagai macam produk dengan harga dan kualitas yang bervariasi. Analisis sentimen digunakan untuk memahami popularitas suatu produk diantara ulasan pembeli. Analisis sentimen memiliki beberapa pendekatan, salah satunya machine learning. Bagian dari machine learning yang berfungsi untuk memproses teks yaitu text mining. Salah satu teknik dalam text mining yaitu klasifikasi. Support Vector Machine (SVM) merupakan algoritma yang sering digunakan dalam klasifikasi. Pemilihan fitur dan penentuan parameter di SVM secara signifikan mempengaruhi hasil akurasi klasifikasi. Unigram digunakan sebagai feature extraction dan Grid Search sebagai optimasi parameter agar dapat meningkatkan akurasi pengklasifikasi SVM. Dalam penelitian ini menggunakan dua dataset yaitu review Amazon dan review Lazada. Pengukuran akurasi diukur dengan confusion matrix dengan 10 cross validation. Hasil akurasi penerapan Unigram dan Grid Search pada algoritma SVM terbukti cukup bagus dibandingkan dengan penelitian sebelumnya yaitu untuk data review Amazon dapat ditingkatkan sebesar 26,4%, sedangkan dalam penelitian sebelumnya hanya sebesar 19,2%. Untuk data review Lazada dapat ditingkatkan sebesar 4,26%, sedangkan pada penelitian sebelumnya hanya sebesar 1,06%.

Actions (login required)

View Item