-The quality of lectures can be determined by some feedbacks from students. From the feedbacks, we can give appreciations for those lectures who get good feedback from students, and evaluations for those who get bad feedback. The problem is classifying large size of feedbacks manually isn't effective and took a lot of time. Therefore, we need a system that can classify feedbacks automatically. These feedbacks will be classified into positive, negative, and neutral, usually called as sentiment analysis. Sentiment analysis implementation can be done by several methods, one of them that has a good accuracy is Support Vector Machine (SVM). SVM performance in this research is measured with the level of accuracy. The number of accuracy indicate the success level of system. The conclusion of this research is factors that affects the accuracy. The factors are the range of each classes and number of unique words in the training document. Keywords: sentiment analysis, support vector machine, inverse matrix I. PENDAHULUANUniversitas Kristen Duta Wacana menerapkan kuesioner online dalam rangka penilaian terhadap dosen. Kuesioner ini diisi oleh mahasiswa dan berisi opini positif, negatif, atau netral. Saat ini, untuk perekapan dan klasifikasi hasil kuesioner untuk evaluasi dosen ini dilakukan secara manual. Pengklasifikasian secara manual memang menghasilkan data yang akurat karena manusia dapat membedakan dengan tepat apakah kata atau kalimat tersebut bermakna positif, negatif, atau netral, namun hal ini tidak efektif dan tidak menutup kemungkinan adanya kalimat ambigu yang sulit diklasifikasi walaupun oleh manusia sekalipun. Selain itu, pengklasifikasian secara manual membutuhkan banyak waktu dan tenaga. Untuk mengatasi masalah ini, dibutuhkan sistem yang dapat mengklasifikasikan opini ini ke dalam kelas sentimen positif, negatif, atau netral secara otomatis. Klasifikasi ke tiga kelas sentimen ini disebut sentiment analysis.Sistem ini menggunakan metode support vector machine (SVM) karena pada penelitian -penelitian sebelumnya yang pernah dilakukan, metode ini memiliki nilai akurasi yang cukup tinggi. Dengan diterapkannya metode SVM, sistem ini diharapkan dapat melakukan sentiment analysis dengan cepat, mudah, dan dengan tingkat akurasi serta efektivitas yang cukup tinggi.
Spam pada Instagram (IG) umumnya berupa komentar yang dianggap mengganggu karena tidak berhubungan dengan foto atau video yang dikomentari. Spam pada komentar dapat menyebabkan beberapa dampak negatif seperti menyulitkan untuk mengikuti diskusi pada komentar yang dipenuhi oleh komentar spam dan menyebabkan seseorang tampak populer karena jumlah komentarnya banyak walaupun pada kenyataannya lebih banyak komentar yang berupa spam. Penelitian ini mencoba untuk membangun model yang dapat melakukan identifikasi komentar spam pada IG. Komentar pada IG berbentuk teks, sehingga pada penelitian ini digunakan metode-metode pengolahan teks. Untuk identifikasi digunakan metode Support Vector Machine (SVM). Data komentar yang digunakan pada penelitian ini dikumpulkan dari komentar-komentar pada foto atau video yang dibagikan oleh aktor dan artis Indonesia yang memiliki pengikut (follower) paling banyak di IG. Dari hasil penelitian didapatkan model identifikasi komentar spam dengan metode SVM menghasilkan tingkat akurasi 78,49% yang lebih baik jika dibandingkan dengan model pembanding yang menggunakan metode NB (77,25%). Penelitian ini juga menguji beberapa proporsi data pelatihan yang berbeda-beda dan hasilnya metode SVM tetap lebih baik dibandingkan dengan metode NB. Hasil lain dari penelitian ini adalah tahap pre-processing dan stemming yang harus disesuaikan terutama untuk dukungan terhadap pengolahan karakter-karakter unicode dan simbol-simbol khusus yang banyak ditemukan pada komentar-komentar di IG.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.