Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Tinder Dengan Metode Support Vector Machine

Pagi, Fasya Mutiara (2024) Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Tinder Dengan Metode Support Vector Machine. Other thesis, Universitas Komputer Indonesia.

	Text UNIKOM_FASYA MUTIARA PAGI_COVER.pdf - Published Version Download (35kB)
	Text UNIKOM_FASYA MUTIARA PAGI_LEMBAR PENGESAHAN.pdf - Published Version Download (444kB)
	Text UNIKOM_FASYA MUTIARA PAGI_SURAT KETERANGAN PUBLIKASI.pdf - Published Version Download (385kB)
	Text UNIKOM_FASYA MUTIARA PAGI_SURAT PERNYATAAN ORISINALITAS.pdf - Published Version Download (400kB)
	Text UNIKOM_FASYA MUTIARA PAGI_KATA PENGANTAR.pdf - Published Version Download (96kB)
	Text UNIKOM_FASYA MUTIARA PAGI_DAFTAR ISI.pdf - Published Version Download (114kB)
	Text UNIKOM_FASYA MUTIARA PAGI_BAB 1.pdf - Published Version Download (193kB)
	Text UNIKOM_FASYA MUTIARA PAGI_BAB 2.pdf - Published Version Download (447kB)
	Text UNIKOM_FASYA MUTIARA PAGI_BAB 3.pdf - Published Version Restricted to Repository staff only Download (901kB) | Request a copy
	Text UNIKOM_FASYA MUTIARA PAGI_BAB 4.pdf - Published Version Restricted to Repository staff only Download (393kB) | Request a copy
	Text UNIKOM_FASYA MUTIARA PAGI_BAB 5.pdf - Published Version Download (34kB)
	Text UNIKOM_FASYA MUTIARA PAGI_DAFTAR PUSTAKA.pdf - Published Version Download (103kB)
	Text UNIKOM_FASYA MUTIARA PAGI_LEMBAR KONTAK PENULIS & KONTRIBUTOR.pdf - Published Version Download (9kB)

Abstract

Penelitian ini bertujuan untuk mengukur kinerja Support Vector Machine (SVM) dalam mengklasifikasikan sentimen pada ulasan pengguna aplikasi Tinder, dengan fokus pada empat aspek yaitu harga, fitur aplikasi, keamanan akun, dan nonaspek. Data yang digunakan terdiri dari 1627 ulasan aplikasi Tinder yang dibagi menjadi 1138 data latih dan 489 data uji. Kinerja model dievaluasi menggunakan matrix accuracy, precision, recall, dan f1-score untuk mengukur efektivitasnya dalam mengklasifikasikan sentimen berdasarkan aspek-aspek tersebut. Hasil penelitian menunjukkan bahwa model SVM memiliki kinerja bervariasi tergantung pada aspek yang dianalisis. Untuk klasifikasi sentimen, aspek keamanan akun memiliki akurasi tertinggi yaitu 0.944 dalam mengidentifikasi sentimen. Namun, akurasi pada aspek fitur aplikasi memiliki nilai paling rendah yaitu 0.8998, mencerminkan tantangan dalam mengklasifikasikan sentimen pada aspek ini. Precision tertinggi untuk sentimen negatif dan netral ditemukan pada aspek keamanan akun yaitu 0.972 dan 0.941, tetapi precision untuk sentimen positif lebih rendah yaitu 0.5. Sebaliknya, precision untuk sentimen positif pada aspek harga dan fitur aplikasi mencapai 1. Recall tertinggi ditemukan pada sentimen netral di semua aspek, terutama pada fitur aplikasi yaitu bernilai 0.9949 dan keamanan akun bernilai 1, menunjukkan kemampuan model dalam mendeteksi ulasan netral. Namun, recall untuk sentimen positif pada fitur aplikasi sangat rendah yaitu bernilai 0, menunjukkan bahwa model kesulitan dalam mendeteksi ulasan positif pada aspek ini. Secara keseluruhan, model SVM menunjukkan kinerja yang baik dalam klasifikasi sentimen, terutama pada aspek keamanan akun dan sentimen netral. Namun, tantangan utama terletak pada aspek fitur aplikasi, di mana model mengalami kesulitan dalam mengklasifikasikan sentimen positif. Temuan ini memberikan wawasan yang berharga bagi pengembang aplikasi untuk memperbaiki fitur dan pengalaman pengguna berdasarkan analisis ulasan yang mendalam.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Support Vector Machine, Klasifikasi, Ulasan Tinder
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 005_Computer Programming, Programs & Data Q Science > QA Mathematics > QA76 Computer software
Divisions:	S1_SKRIPSI > FTIK_Teknik Informatika (01)
Depositing User:	Mia Mia Hayati Kosasih
Date Deposited:	28 Aug 2025 06:57
Last Modified:	28 Aug 2025 06:57
URI:	http://elibrary.unikom.ac.id/id/eprint/10801

Actions (login required)

View Item