ABSTRAK

LA ODE ALFRIANSYAH, Implementasi Algoritma Support Vector Machine Untuk Analisis Sentimen Ulasan MyPertamina dengan Metode Pemilihan Fitur Terbaik (dibimbing oleh Pasnur dan Tamsir)

Masalah yang diangkat dalam penelitian ini adalah bagaimana mengklasifikasikan sentimen pada ulasan pengguna aplikasi MyPertamina. untuk memahami persepsi masyarakat, Algoritma klasifikasi seperti Support Vector Machine (SVM) memiliki akurasi tinggi dalam klasifikasi teks, Akan tetapi SVM membutuhkan waktu training yang lama, terutama ketika jumlah fitur sangat besar. Penelitian ini bertujuan untuk meningkatkan efisiensi waktu pelatihan SVM dengan tetap menjaga atau meningkatkan akurasi dalam klasifikasi sentimen ulasan MyPertamina. Data ini diperoleh melalui situs kaggle. Metode yang digunakan adalah metode seleksi fitur: Chi-Square, Information Gain, Mutual Information, dan Recursive Feature Elimination (RFE). Berdasarkan hasil pengujian, akurasi metode SVM + Chi-Square adalah sebesar 94,2% pada split data 70/30. Sedangkan akurasi metode SVM adalah 93,7% Metode SVM + Chi-Square memiliki akurasi 0,5% lebih tinggi dari pada metode SVM. Waktu training metode SVM + Chi-Square adalah 0,1804 detik Sedangkan waktu training Metode SVM adalah 0,3396 detik. Hasil pengujian membuktikan bahwa metode Seleksi fitur Chi-Square mampu mereduksi waktu training SVM serta meningkatkan akurasi SVM.
Kata kunci: Analisis Sentimen, MyPertamina, Support Vector Machine, Seleksi

Fitur, Chi-Square, Information Gain, Mutual Information, RFE.