scholarly journals IMPLEMENTASI SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP PELAYANAN TELKOM DAN BIZNET

2019 ◽  
Vol 15 (2) ◽  
pp. 171-176
Author(s):  
Bety Wulan Sari ◽  
Fadholi Fat Haranto
Keyword(s):  
Support Vector Machine ◽  
Text Mining ◽  
Cross Validation ◽  
Confusion Matrix ◽  
Support Vector ◽  
Fold Cross Validation

Sosial media merupakan suatu media yang dapat digunakan untuk berekspresi oleh penggunanya. Twitter cukup populer dan sering digunakan di Indonesia, pengguna twitter dapat berekspresi dan beraspirasi tanpa adanya batasan. Tweet yang berupa ekspresi dan aspirasi yang ditulis oleh pengguna twitter dapat digunakan untuk ulasan sebuah produk atau layanan. Pada penelitian ini, peneliti menggunakan teknik text mining dengan menerapkan algoritma Support Vector Machine yang dipergunakan untuk analisis sentimen pengguna twitter terhadap pelayanan Telkom dan Biznet. Data pada pelayanan Telkom dan Biznet akan dilakukan perhitungan pada penelitian ini dengan jumlah dataset sebanyak 500 tweet yang berasal dari crawling data twitter, terdapat  250 tweet yang dijadikan dataset pada masing-masing objek. Sejumlah data tersebut akan dipergunakan untuk data training serta data testing dalam proses pembuatan model menggunakan algoritma Support Vector Machine. Metode yang digunakan untuk pengujian model adalah Confusion Matrix sedangkan K-Fold Cross Validation ditujukan untuk untuk membagi data training dan data testing sesuai lipatan yang digunakan. Hasil pengujian yang diperoleh menggunakan metode K-Fold Cross Validation dan Confusion Matrix pada model yang dibuat menggunakan algoritma Support Vector Machine yang memberikan hasil nilai accuracy 79,6%, precision 76,5%, recall 72,8% , dan F1-score 74,6% untuk Telkom, serta accuracy 83,2%, precision 78,8%, recall 71,6%, dan F1-score 75% untuk Biznet.

scholarly journals Bayes Classifier dan Support Vector Machine dalam Klasifikasi Judul Karya Akhir Mahasiswa Program Studi PTIK UNJ

2019 ◽  
Vol 3 (1) ◽  
pp. 54-62
Author(s):  
Razi Aziz Syahputro ◽  
Widodo ◽  
Hamidillah Ajie
Keyword(s):  
Support Vector Machine ◽  
Cross Validation ◽  
Nearest Neighbor ◽  
Confusion Matrix ◽  
Vector Space Model ◽  
Support Vector ◽  
Bayes Classifier ◽  
K Nearest Neighbor ◽  
Space Model ◽  
Fold Cross Validation

Penelitian ini dilatarbelakangi dengan dibutuhkannya sistem pengklasifikasian untuk memudahkan pihak Jurusan Teknik Elektro khususnya Program Studi PTIK untuk mengklasifikasikan judul skripsi berdasarkan peminatan. Sebelum sistem dibuat diperlukan pertimbangan dari beberapa algoritma klasifikasi yang ada, maka dari itu penelitian ini memilih 3 algoritma dari 10 algoritma terbaik menurut ICDM tahun 2006. Klasifikasi terhadap dokumen teks pendek seperti judul skripsi mahasiswa memiliki kesulitan tersendiri daripada dokumen teks panjang karena semakin sedikit kata semakin sulit diklasifikasi. Sehingga tujuan dari penelitian ini adalah untuk mengetahui algoritma yang paling efektif untuk mengklasifikasi judul skripsi. Penelitian ini terdiri dari beberapa tahap yaitu pengumpulan data, pengelompokan data melalui angket oleh dosen ahli, pre-processing text, pembobotan kata menggunakan vector space model dan tf-idf, evaluasi dengan k-fold cross validation, klasifikasi menggunakan k-nearest neighbor, naïve bayes classifier, dan support vector machine, dan analisis dengan confusion matrix. Percobaan dilakukan dengan menggunakan 266 data judul skripsi mahasiswa PTIK UNJ dari angkatan 2010-2013, dengan data terakhir berasal dari sidang skripsi pada semester 105(semester ganjil 2016/2017). Hasil dari klasifikasi menggunakan algoritma tersebut didapatkan algoritma yang paling efisien yaitu support vector machine dengan akurasi 82% dari 10 kali percobaan.

scholarly journals Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring

Techno Com ◽  
2020 ◽  
Vol 19 (4) ◽  
pp. 437-448
Author(s):  
Amar P. Natasuwarna
Keyword(s):  
Support Vector Machine ◽  
Cross Validation ◽  
Confusion Matrix ◽  
Support Vector ◽  
Term Frequency ◽  
Processing Data ◽  
Fold Cross Validation

Pernyataan Mendikbud Republik Indonesia mengenai keberlanjutan pembelajaran daring memperoleh komentar positif dan negatif dari masyarakat melalui Twitter. Tweet atau komentar masyarakat berbahasa Indonesia melalui Twitter diambil secara crawling. Komentar tersebut merupakan opini masyarakat yang perlu didengar. Permasalahannya, komentar tersebut sulit dipilah untuk mendapatkan term atau kata hasil dari komentar positif atau negatif sehubungan penggunaan ragam kata yang digunakan diantaranya penggunaan bahasa tidak formal, simbol, singkatan, bahasa asing, dan bahasa daerah.  Untuk mengatasi hal tersebut dilakukan penelitian menggunakan analisis sentimen. Tahapan penelitian yang dilakukan terdiri dari pengambilan data mentah; pre-processing data; seleksi fitur dengan Term Frequency dan TF-IDF; klasifikasi dengan Support Vector Machine (SVM); dan evaluasi menggunakan k-Fold Cross Validation dan Confusion Matrix. Tujuan penelitian adalah melakukan analisis sentimen komentar masyarakat terhadap pernyataan Mendikbud mengenai keberlanjutan pembelajaran daring dengan klasifikasi dua kelas yaitu positif dan negatif. Data yang digunakan berjumlah 200 data tweet terdiri dari 100 komentar positif dan 100 komentar negatif menggunakan lima rasio perbandingan data latih dan data uji. Penelitian ini menghasilkan evaluasi yang cukup baik sehingga kata-kata dengan nilai seleksi fitur tertinggi dapat menjadi bahan pertimbangan mewakili suara masyarakat yang disampaikan melalui Twitter, dimana diperoleh nilai tertinggi pada accuracy sebesar 86,00%, precision sebesar 87,38%, dan recall sebesar 85,02%.

KOMPARASI ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE UNTUK ANALISA SENTIMEN REVIEW FILM

2018 ◽  
Vol 14 (2) ◽  
pp. 175
Author(s):  
Elly Indrayuni
Keyword(s):  
Support Vector Machine ◽  
Support Vector Machines ◽  
Cross Validation ◽  
Opinion Mining ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Naïve Bayes ◽  
Support Vector ◽  
Vector Machines ◽  
Fold Cross Validation

Film merupakan subjek yang diminati oleh sejumlah besar orang diantara komunitas jaringan sosial yang memiliki perbedaan signifikan dalam pendapat atau sentimen mereka. Analisa sentimen atau opinion mining merupakan salah satu solusi mengatasi masalah untuk mengelompokan opini atau review menjadi opini positif atau negatif secara otomatis. Teknik yang digunakan dalam penelitian ini adalah Naive Bayes dan Support Vector Machines (SVM). Naive Bayes memiliki kelebihan yaitu sederhana, cepat dan memiliki akurasi yang tinggi. Sedangkan SVM  mampu mengidentifikasi hyperplane terpisah yang memaksimalkan margin antara dua kelas yang berbeda. Hasil klasifikasi sentimen pada penelitian ini terdiri dari dua label class, yaitu positif dan negatif. Nilai akurasi yang dihasilkan akan menjadi tolak  ukur untuk mencari model pengujian terbaik untuk kasus klasifikasi sentimen. Evaluasi dilakukan menggunakan 10 fold cross validation. Pengukuran akurasi diukur dengan confusion matrix dan kurva ROC. Hasil penelitian menunjukkan nilai akurasi untuk algoritma Naive Bayes sebesar 84.50%. Sedangkan nilai akurasi algoritma Support Vector Machine (SVM) lebih besar dari Naive Bayes yaitu sebesar 90.00%.

Combination of Support Vector Machine and K-Fold cross-validation for prediction of long-term degradation of the compressive strength of marine concrete

2018 ◽  
Vol 1 (1) ◽  
pp. 120-130 ◽  
Author(s):  
Chunxiang Qian ◽  
Wence Kang ◽  
Hao Ling ◽  
Hua Dong ◽  
Chengyao Liang ◽  
...  
Keyword(s):  
Support Vector Machine ◽  
Environmental Factors ◽  
Cross Validation ◽  
Concrete Strength ◽  
Simulation Method ◽  
Support Vector ◽  
Svm Model ◽  
Artificial Neural Network Ann ◽  
Influence Degree ◽  
Fold Cross Validation

Support Vector Machine (SVM) model optimized by K-Fold cross-validation was built to predict and evaluate the degradation of concrete strength in a complicated marine environment. Meanwhile, several mathematical models, such as Artificial Neural Network (ANN) and Decision Tree (DT), were also built and compared with SVM to determine which one could make the most accurate predictions. The material factors and environmental factors that influence the results were considered. The materials factors mainly involved the original concrete strength, the amount of cement replaced by fly ash and slag. The environmental factors consisted of the concentration of Mg2+, SO42-, Cl-, temperature and exposing time. It was concluded from the prediction results that the optimized SVM model appeared to perform better than other models in predicting the concrete strength. Based on SVM model, a simulation method of variables limitation was used to determine the sensitivity of various factors and the influence degree of these factors on the degradation of concrete strength.

scholarly journals Pengenalan Wajah Manusia berbasis Algoritma Local Binary Pattern

2017 ◽  
Vol 17 (2) ◽  
pp. 29-38
Author(s):  
Ratih Purwati ◽  
Gunawan Ariyanto
Keyword(s):  
Computer Vision ◽  
Support Vector Machine ◽  
Face Recognition ◽  
Local Binary Pattern ◽  
Cross Validation ◽  
Support Vector ◽  
Fold Cross Validation

Face Recognition merupakan teknologi komputer untuk mengidentifikasi wajah manusia melalui gambar digital yang tersimpan di database. Wajah manusia dapat berubah bentuk sesuai dengan ekspresi yang dimilikinya. Wajah manusia dapat berubah bentuk sesuai dengan eskpresi yang dimilikinya. Ekspresi wajah manusia memiliki kemiripan satu sama lain sehingga untuk mengenali suatu ekspresi adalah kepunyaan siapa akan sedikit sulit. Pengenalan wajah terus menjadi topik aktif di zaman sekarang pada penelitian bidang computer vision. Penggunaan wajah manusia sering kita jumpai pada fitur-fitur aplikasi media sosial seperti Snapchat, Snapgram dari Instagram dan banyak aplikasi sosial media lainnya yang menggunakan teknologi tersebut. Pada penelitian ini dilakukan analisa pengenalan ekpresi wajah manusia dengan pendekatan fitur alogaritma Local Binary Pattern dan mencari pengembangan alogaritma dasar Local Binary Pattern yang paling optimal dengan cara menggabungkan metode Hisogram Equalization, Support Vector Machine, dan K-fold cross validation sehingga dapat meningkatkan pengenalan gambar wajah manusia pada hasil yang terbaik. Penelitian ini menginput beberapa database wajah manusia seperti JAFFE yang merupakan gambar wajah manusia wanita jepang yang berjumlah 10 orang dengan 7 ekspresi emosional seperti marah, sedih, bahagia, jijik, kaget, takut dan netral ke dalam sistem. YALE yaitu merupakan gambar wajah manusia orang Amerika. Serta menggunakan dataset CALTECH yang merupakan gambar manusia yang terdiri dari 450 gambar dengan ukuran 896 x 592 piksel dan disimpan dalam format JPEG. Kemudian data tersebut di sesuaikan dengan bentuk tekstur wajah masing-masing. Dari hasil penggabungan ketiga metode diatas dan percobaan-percobaan yang sudah dilakukan, didapatkan hasil yang paling optimal dalam pengenalan wajah manusia yaitu menggunakan dataset JAFFE dengan resolusi 92 x 112 piksel dan dengan tingkat penggunaan processor yang tinggi dapat mempengaruhi waktu kecepatan komputasi dalam proses menjalankan sistem sehingga menghasilkan prediksi yang lebih tepat.

Abstract 473: Identification of Apolipoproteins Using Feature Selection Technique

2016 ◽  
Vol 36 (suppl_1) ◽  
Author(s):  
Hua Tang ◽  
Hao Lin
Keyword(s):  
Support Vector Machine ◽  
Cross Validation ◽  
Support Vector ◽  
Feature Subset ◽  
Risk Markers ◽  
Dipeptide Composition ◽  
Accurate Identification ◽  
Feature Selection Technique ◽  
Physiological Importance ◽  
Fold Cross Validation

Objective: Apolipoproteins are of great physiological importance and are associated with different diseases such as dyslipidemia, thrombogenesis and angiocardiopathy. Apolipoproteins have therefore emerged as key risk markers and important research targets yet the types of apolipoproteins has not been fully elucidated. Accurate identification of the apoliproproteins is very crucial to the comprehension of cardiovascular diseases and drug design. The aim of this study is to develop a powerful model to precisely identify apolipoproteins. Approach and Results: We manually collected a non-redundant dataset of 53 apoliproproteins and 136 non-apoliproproteins with the sequence identify of less than 40% from UniProt. After formulating the protein sequence samples with g -gap dipeptide composition (here g =1~10), the analysis of various (ANOVA) was adopted to find out the best feature subset which can achieve the best accuracy. Support Vector Machine (SVM) was then used to perform classification. The predictive model was evaluated using a five-fold cross-validation which yielded a sensitivity of 96.2%, a specificity of 99.3%, and an accuracy of 98.4%. The study indicated that the proposed method could be a feasible means of conducting preliminary analyses of apoliproproteins. Conclusion: We demonstrated that apoliproproteins can be predicted from their primary sequences. Also we discovered the special dipeptide distribution in apoliproproteins. These findings open new perspectives to improve apoliproproteins prediction by considering the specific dipeptides. We expect that these findings will help to improve drug development in anti-angiocardiopathy disease. Key words: Apoliproproteins Angiocardiopathy Support Vector Machine

scholarly journals Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM)

Teknika ◽  
2021 ◽  
Vol 10 (1) ◽  
pp. 18-26
Author(s):  
Hendry Cipta Husada ◽  
Adi Suryaputra Paramita
Keyword(s):  
Machine Learning ◽  
Social Media ◽  
Support Vector Machine ◽  
Cross Validation ◽  
Support Vector ◽  
Learning Approach ◽  
Social Media Platform ◽  
Machine Learning Approach ◽  
Media Platform ◽  
Fold Cross Validation

Perkembangan teknologi saat ini telah memberikan kemudahan bagi banyak orang dalam mendapatkan dan menyebarkan informasi di berbagai social media platform. Twitter merupakan salah satu media yang kerap digunakan untuk menyampaikan opini sebagai bentuk reaksi seseorang atas suatu hal. Opini yang terdapat di Twitter dapat digunakan perusahaan maskapai penerbangan sebagai parameter kunci untuk mengetahui tingkat kepuasan publik sekaligus bahan evaluasi bagi perusahaan. Berdasarkan hal tersebut, diperlukan sebuah metode yang dapat secara otomatis melakukan klasifikasi opini ke dalam kategori positif, negatif, atau netral melalui proses analisis sentimen. Proses analisis sentimen dilakukan dengan proses data preprocessing, pembobotan kata menggunakan metode TF-IDF, penerapan algoritma, dan pembahasan atas hasil klasifikasi. Klasifikasi opini dilakukan dengan machine learning approach memanfaatkan algoritma multi-class Support Vector Machine (SVM). Data yang digunakan dalam penelitian ini adalah opini dalam bahasa Inggris dari para pengguna Twitter terhadap maskapai penerbangan. Berdasarkan pengujian yang telah dilakukan, hasil klasifikasi terbaik diperoleh menggunakan SVM kernel RBF pada nilai parameter 𝐶(complexity) = 10 dan 𝛾(gamma) = 1, dengan nilai accuracy sebesar 84,37% dan 80,41% ketika menggunakan 10-fold cross validation.

scholarly journals Analisis Perbandingan Kernel Algoritma Support Vector Machine dalam Mengklasifikasikan Skripsi Teknik Informatika berdasarkan Abstrak

2020 ◽  
Vol 5 (2) ◽  
pp. 240-249
Author(s):  
Anggri Liani
Keyword(s):  
Data Mining ◽  
Support Vector Machine ◽  
Text Mining ◽  
Cross Validation ◽  
Support Vector

Mahasiswa memiliki kewajiban menyelesaikan skripsi untuk menyelesaikan pendidikan jenjang S-1, namun justru menentukan topik skripsi adalah kesulitan pertama mahasiswa dalam pembuatan skripsi yang menjadi salah satu faktor mahasiswa lulus terlambat, Dengan melakukan pengklasifikasian skripsi berdasarkan abstrak dapat membantu mahasiswa dalam mencari referensi untuk menentukan topik skripsi. Metodelogi yang digunakan adalah proses text Mining dengan proses case folding, tekonizing, filtering, stemming, TF-IDF, data mining dan evaluation. Pembagian data menggunakan rasio 80% data latih dan 20% data uji. Pengklasifikasian menggunakan algoritma Support Vector Machine (SVM). Algoritma support vector machine (SVM) adalah salah satu algoritma pengklasifikasian yang memiliki beberapa kernel yaitu liniear dan 3 kernel yang paling dipertimbangkan. Validasi data menggunakan cross validation dengan 10-fold. Tingkat akurasi didapatkan 81%, presisi 82% dan recall 81% pada kernel liniear.

scholarly journals Analisis Sentimen Twitter terhadap Tokoh Publik dengan Algoritma Naive Bayes dan Support Vector Machine

2021 ◽  
Vol 11 (2) ◽  
pp. 626-636
Author(s):  
Tanthy Tawaqalia Widowati ◽  
Mujiono Sadikin
Keyword(s):  
Data Mining ◽  
Support Vector Machine ◽  
Cross Validation ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Support Vector ◽  
Fold Cross Validation

Salah satu media sosial yang berkembang adalah Twitter. Media sosial Twitter mempermudah masyarakat untuk bebas berpendapat melalui cuitan atau biasa disebut dengan tweets. Netizen dengan bebas menyampaikan opini pribadinya untuk topik apapun, termasuk persepsi terhadap tokoh publik. Artikel ini menyajikan hasil penelitian dan analisis sentimen masyarakat (netizen) terhadap tokoh publik, Nadiem Makariem sebagai Menteri Kementerian Pendidikan dan Kebudayaan baru. Penelitian ini menggunakan teknik data mining yang bertujuan untuk membandingkan hasil klasifikasi dari opini masyarakat yang dituliskan di Twitter. Dataset yang digunakan berasal dari tweets dengan kata kunci ”nadiem makariem”, ”kemendikbud” dan ”pak nadiem”. Tools RapidMiner digunakan untuk membantu tahap pre-processing dan klasifikasi menggunakan dua metode yaitu, Naive Bayes dan Support Vector Machine dengan evaluasi k-fold cross-validation. Dari hasil ujicoba diketahui bahwa untuk kasus yang diteliti, metode Naive Bayes menghasilkan kinerja yang lebih baik dengan accuracy 91.48%,  precision 89.28%  dan recall 91.58%.

scholarly journals Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter

2019 ◽  
Vol 6 (2) ◽  
pp. 226-235
Author(s):  
Muhammad Rangga Aziz Nasution ◽  
Mardhiya Hayaty
Keyword(s):  
Machine Learning ◽  
Support Vector Machine ◽  
Unsupervised Learning ◽  
Supervised Learning ◽  
Cross Validation ◽  
Nearest Neighbor ◽  
Support Vector ◽  
K Nearest Neighbor ◽  
Fold Cross Validation

Salah satu cabang ilmu komputer yaitu pembelajaran mesin (machine learning) menjadi tren dalam beberapa waktu terakhir. Pembelajaran mesin bekerja dengan memanfaatkan data dan algoritma untuk membuat model dengan pola dari kumpulan data tersebut. Selain itu, pembelajaran mesin juga mempelajari bagaimama model yang telah dibuat dapat memprediksi keluaran (output) berdasarkan pola yang ada. Terdapat dua jenis metode pembelajaran mesin yang dapat digunakan untuk analisis sentimen:  supervised learning dan unsupervised learning. Penelitian ini akan membandingkan dua algoritma klasifikasi yang termasuk dari supervised learning: algoritma K-Nearest Neighbor dan Support Vector Machine, dengan cara membuat model dari masing-masing algoritma dengan objek teks sentimen. Perbandingan dilakukan untuk mengetahui algoritma mana lebih baik dalam segi akurasi dan waktu proses. Hasil pada perhitungan akurasi menunjukkan bahwa metode Support Vector Machine lebih unggul dengan nilai 89,70% tanpa K-Fold Cross Validation dan 88,76% dengan K-Fold Cross Validation. Sedangkan pada perhitungan waktu proses metode K-Nearest Neighbor lebih unggul dengan waktu proses 0.0160s tanpa K-Fold Cross Validation dan 0.1505s dengan K-Fold Cross Validation.

Sign in / Sign up

Export Citation Format

Share Document