Isi Artikel Utama
Abstrak
Dalam penelitian ini, digunakan algoritma LinearSVC dari metode Support Vector Machine (SVM) untuk analisis sentimen terhadap data ulasan IMDb. Proses ekstraksi fitur dilakukan dengan TF-IDF Vectorizer. Tantangan utama terletak pada penentuan nilai hyperparameter, khususnya parameter regulasi (C), yang sangat menentukan kualitas hasil prediksi. Untuk mengatasi hal ini, penelitian ini menerapkan algoritma Particle Swarm Optimization (PSO) guna menemukan nilai C terbaik. Eksperimen menunjukkan bahwa tanpa optimasi, model SVM hanya mencapai akurasi 89,48%, tetapi setelah PSO diterapkan, nilai optimal C ditemukan sebesar 0,1612, yang meningkatkan akurasi model hingga 92,03% pada data uji. Selain itu, metrik evaluasi lainnya juga mengalami peningkatan signifikan, dengan Precision sebesar 91,29%, Recall 92,92%, dan F1-Score 92,10%. Signifikansi peningkatan ini menunjukkan bahwa metode PSO secara konsisten mengungguli pendekatan konvensional yang mengandalkan pemilihan hyperparameter secara manual atau grid search, yang sering kali lebih lambat dan kurang akurat dalam menemukan nilai optimal. Hasil penelitian ini membuktikan bahwa optimasi hyperparameter menggunakan PSO dapat meningkatkan performa SVM secara signifikan dalam klasifikasi sentimen. Pendekatan ini tidak hanya relevan untuk analisis ulasan IMDb tetapi juga dapat diterapkan pada berbagai tugas NLP lainnya, seperti analisis opini publik dan ulasan produk, menjadikannya solusi yang efisien dalam meningkatkan akurasi klasifikasi teks.
Kata Kunci
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.
References
- Cherradi, M., & El Haddadi, A. (2024). Comparative analysis of machine learning algorithms for sentiment analysis in film reviews. Academic Transactions on Artificial Intelligence and Machine Learning, 3(3), 137–147. https://doi.org/10.56578/ataiml030301
- Ghaniaviyanto Ramadhan, N., & Ramadhan, T. I. (2022). Analysis sentiment based on IMDB aspects from movie reviews using SVM. Sinkron: Jurnal dan Penelitian Teknik Informatika, 6(1), 11204. https://doi.org/10.33395/sinkron.v7i1.11204
- Danyal, M. M., Khan, S. S., Khan, M., Ghaffar, M. B., Khan, B., & Arshad, M. (2023). Sentiment analysis based on performance of linear support vector machine and multinomial naïve Bayes using movie reviews with baseline techniques. Journal of Big Data, 5, 1–18. https://doi.org/10.32604/jbd.2023.041319
- El-Deen, D. T. N., El-Sayed, R. S., Hussein, A. M., & Zaki, M. S. (2024). Sentiment analysis for movie recommendations: Harnessing opinion mining systems to analyze user reviews. Egyptian Statistical Journal, 68(1), 1–14. https://doi.org/10.21608/esju.2024.252649.1024
- Madjid, M. F., Ratnawati, D. E., & Rahayudi, B. (2023). Sentiment analysis on app reviews using Support Vector Machine and Naïve Bayes classification. Sinkron: Jurnal dan Penelitian Teknik Informatika, 7(1), 556–564. https://doi.org/10.33395/sinkron.v8i1.12161
- Nugraha, W., & Hardjianto, M. (2024). Optimasi Support Vector Machines (SVM) menggunakan Particle Swarm Optimization (PSO) pada analisis sentimen ulasan pengguna layanan Bukalapak di Twitter. Jurnal Pendidikan Teknologi Informasi, 4(3), 1082–1100. https://doi.org/10.51454/decode.v4i3.686
- Handayani, R. N. (2021). Optimasi algoritma Support Vector Machine untuk analisis sentimen pada ulasan produk Tokopedia menggunakan PSO. Media Informatika, 20(2), 123–132. https://doi.org/10.37595/mediainfo.v20i2.59
- Amelia, I., Sugiyono, Sarimole, F. M., & Tundo. (2024). Analisis sentimen tanggapan pengguna media sosial X terhadap program beasiswa KIP-Kuliah dengan menggunakan algoritma Support Vector Machine (SVM). Jurnal Indonesia: Manajemen Informatika dan Komunikasi, 5(3), 2994–3003. https://doi.org/10.35870/jimik.v5i3.990
- Daniati, E., & Utama, H. (2023). Analisis sentimen dengan pendekatan ensemble learning dan word embedding pada Twitter. Journal of Information System Management (JOISM), 4(2), 125–131. https://doi.org/10.24076/joism.2023v4i2.973
- Ipmawati, J., Saifulloh, S., & Kusnawi, K. (2024). Sentiment analysis of tourist attractions based on reviews on Google Maps using the Support Vector Machine algorithm. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 247–256. https://doi.org/10.57152/malcom.v4i1.1066
- Amaliah, F., & Nuryana, I. K. D. (2022). Perbandingan akurasi metode lexicon based dan naive bayes classifier pada analisis sentimen pendapat masyarakat terhadap aplikasi investasi pada media Twitter. INACS: Journal of Informatics and Computer Science, 3(3), 384–393. https://doi.org/10.26740/jinacs.v3n03.p384-393
- Saepudin, A., Aryanti, R., Fitriani, E., Royadi, R., & Ardiansyah, D. (2024). Analisis sentimen pemanfaatan artificial intelligence di dunia pendidikan menggunakan SVM berbasis particle swarm optimization. Computer Science (CO-SCIENCE), 4(1), Januari 2024. https://doi.org/10.31294/coscience.v4i1.2921
- Bumbungan, S., Kusrini, & Kusnawi. (2023). Penerapan particle swarm optimization (PSO) dalam pemilihan parameter secara otomatis pada support vector machine (SVM) untuk prediksi kelulusan mahasiswa Politeknik Amamapare Timika. Jurnal Teknik AMATA, 4(1), 77. https://doi.org/10.55334/jtam.v4i1.77
- Sari, P. K., Alamsyah, A., & Wibowo, S. (2018). Measuring e-Commerce service quality from online customer review using sentiment analysis. Journal of Physics: Conference Series, 971, 012053. https://doi.org/10.1088/1742-6596/971/1/012053
- Transpire Online. (2019, July). Conceptual model of finding best visited point. Retrieved from https://transpireonline.blog/wp-content/uploads/2019/07/image-2-1.png
References
Cherradi, M., & El Haddadi, A. (2024). Comparative analysis of machine learning algorithms for sentiment analysis in film reviews. Academic Transactions on Artificial Intelligence and Machine Learning, 3(3), 137–147. https://doi.org/10.56578/ataiml030301
Ghaniaviyanto Ramadhan, N., & Ramadhan, T. I. (2022). Analysis sentiment based on IMDB aspects from movie reviews using SVM. Sinkron: Jurnal dan Penelitian Teknik Informatika, 6(1), 11204. https://doi.org/10.33395/sinkron.v7i1.11204
Danyal, M. M., Khan, S. S., Khan, M., Ghaffar, M. B., Khan, B., & Arshad, M. (2023). Sentiment analysis based on performance of linear support vector machine and multinomial naïve Bayes using movie reviews with baseline techniques. Journal of Big Data, 5, 1–18. https://doi.org/10.32604/jbd.2023.041319
El-Deen, D. T. N., El-Sayed, R. S., Hussein, A. M., & Zaki, M. S. (2024). Sentiment analysis for movie recommendations: Harnessing opinion mining systems to analyze user reviews. Egyptian Statistical Journal, 68(1), 1–14. https://doi.org/10.21608/esju.2024.252649.1024
Madjid, M. F., Ratnawati, D. E., & Rahayudi, B. (2023). Sentiment analysis on app reviews using Support Vector Machine and Naïve Bayes classification. Sinkron: Jurnal dan Penelitian Teknik Informatika, 7(1), 556–564. https://doi.org/10.33395/sinkron.v8i1.12161
Nugraha, W., & Hardjianto, M. (2024). Optimasi Support Vector Machines (SVM) menggunakan Particle Swarm Optimization (PSO) pada analisis sentimen ulasan pengguna layanan Bukalapak di Twitter. Jurnal Pendidikan Teknologi Informasi, 4(3), 1082–1100. https://doi.org/10.51454/decode.v4i3.686
Handayani, R. N. (2021). Optimasi algoritma Support Vector Machine untuk analisis sentimen pada ulasan produk Tokopedia menggunakan PSO. Media Informatika, 20(2), 123–132. https://doi.org/10.37595/mediainfo.v20i2.59
Amelia, I., Sugiyono, Sarimole, F. M., & Tundo. (2024). Analisis sentimen tanggapan pengguna media sosial X terhadap program beasiswa KIP-Kuliah dengan menggunakan algoritma Support Vector Machine (SVM). Jurnal Indonesia: Manajemen Informatika dan Komunikasi, 5(3), 2994–3003. https://doi.org/10.35870/jimik.v5i3.990
Daniati, E., & Utama, H. (2023). Analisis sentimen dengan pendekatan ensemble learning dan word embedding pada Twitter. Journal of Information System Management (JOISM), 4(2), 125–131. https://doi.org/10.24076/joism.2023v4i2.973
Ipmawati, J., Saifulloh, S., & Kusnawi, K. (2024). Sentiment analysis of tourist attractions based on reviews on Google Maps using the Support Vector Machine algorithm. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 247–256. https://doi.org/10.57152/malcom.v4i1.1066
Amaliah, F., & Nuryana, I. K. D. (2022). Perbandingan akurasi metode lexicon based dan naive bayes classifier pada analisis sentimen pendapat masyarakat terhadap aplikasi investasi pada media Twitter. INACS: Journal of Informatics and Computer Science, 3(3), 384–393. https://doi.org/10.26740/jinacs.v3n03.p384-393
Saepudin, A., Aryanti, R., Fitriani, E., Royadi, R., & Ardiansyah, D. (2024). Analisis sentimen pemanfaatan artificial intelligence di dunia pendidikan menggunakan SVM berbasis particle swarm optimization. Computer Science (CO-SCIENCE), 4(1), Januari 2024. https://doi.org/10.31294/coscience.v4i1.2921
Bumbungan, S., Kusrini, & Kusnawi. (2023). Penerapan particle swarm optimization (PSO) dalam pemilihan parameter secara otomatis pada support vector machine (SVM) untuk prediksi kelulusan mahasiswa Politeknik Amamapare Timika. Jurnal Teknik AMATA, 4(1), 77. https://doi.org/10.55334/jtam.v4i1.77
Sari, P. K., Alamsyah, A., & Wibowo, S. (2018). Measuring e-Commerce service quality from online customer review using sentiment analysis. Journal of Physics: Conference Series, 971, 012053. https://doi.org/10.1088/1742-6596/971/1/012053
Transpire Online. (2019, July). Conceptual model of finding best visited point. Retrieved from https://transpireonline.blog/wp-content/uploads/2019/07/image-2-1.png