PENERAPAN SENTIMENT ANALYSIS PADA HASIL EVALUASI DOSEN DENGAN METODE SUPPORT VECTOR MACHINE

71120004, VALONIA INGE SANTOSO (2016) PENERAPAN SENTIMENT ANALYSIS PADA HASIL EVALUASI DOSEN DENGAN METODE SUPPORT VECTOR MACHINE. Bachelor thesis, Universitas Kristen Duta Wacana.

[img] Text (Skripsi Informatika)
71120004_bab1_bab5_daftarpustaka.pdf

Download (3MB)
[img] Text (Skripsi Informatika)
71120004_bab2-sd-bab4_lampiran.pdf
Restricted to Registered users only

Download (4MB) | Request a copy

Abstract

Universitas Kristen Duta Wacana menerapkan sistem kuesioner online yang harus diisi mahasiswa untuk menuangkan opini mahasiswa mengenai kinerja dosennya. Opini yang dimasukkan dapat berupa opini positif, negatif, maupun netral. Sebagai tindak lanjut, opini mahasiswa ini harus direkap dan diklasifikasi apakah opini tersebut bersentimen negatif, positif, atau netral agar dapat dijadikan bahan penilaian atas kinerja dosen tersebut. Pengklasifikasian secara manual oleh manusia membutuhkan waktu yang lama dan tidak efektif. Akan lebih mudah apabila pengklasifikasian ini dapat dilakukan secara otomatis. Pada penelitian ini, Penulis akan membuat sistem yang menerapkan sentiment analysis pada hasil evaluasi dosen dengan metode support vector machine (SVM). Penulis meneliti unjuk kerja dari metode SVM berdasarkan nilai akurasi. Untuk mendapatkan akurasi terbaik, Penulis juga meneliti faktor apa saja yang dapat mempengaruhi tingkat akurasi. Faktor yang akan diteliti berupa range yang tepat untuk membagi hasil persamaan di setiap kelas sentimen, bobot TFIDF dari data uji, dan komposisi data latih. Berdasarkan hasil penelitian Penulis, didapatkan akurasi tertinggi yaitu 67,83%. Melalui beberapa pengujian, juga didapatkan kesimpulan bahwa range yang terbaik pada kasus penelitian ini adalah < 0 untuk kelas negatif, 0 untuk kelas netral, dan > 0 untuk kelas positif. Bobot TF-IDF dari data uji tidak memberikan perubahan yang cukup signifikan terhadap nilai akurasi. Selain itu, komposisi data latih juga merupakan faktor yang mempengaruhi nilai akurasi. Hal ini disebabkan karena tidak semua data dapat dikatakan data latih yang baik. Hanya data yang memenuhi beberapa kriteria sajalah yang dapat dikatakan sebagai data latih yang baik. Penentuan data latih yang baik dilakukan dengan metode k-fold crossvalidation.

Item Type: Thesis (Bachelor)
Uncontrolled Keywords: Support Vector Machine, Sentiment analysis, Penyelesaian sistem persamaan linear, matrix inverse, k-fold crossvalidation, pembobotan TF-IDF
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
T Technology > T Technology (General)
Divisions: Fakultas Teknologi Informasi > Prodi Informatika
Depositing User: mr Kristofer Bayu Pamungkas - Resign
Date Deposited: 23 Oct 2020 07:40
Last Modified: 23 Oct 2020 07:40
URI: http://katalog.ukdw.ac.id/id/eprint/2847

Actions (login required)

View Item View Item