STMIK BANJARBARUSTMIK BANJARBARU
Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah KomputerPenelitian ini bertujuan untuk mengevaluasi penerapan algoritma Support Vector Machine (SVM) dalam klasifikasi ulasan pengguna aplikasi TikTok. Proses penelitian terdiri dari tiga tahap utama, yaitu: crawling data untuk mengumpulkan ulasan pengguna, preprocessing data untuk membersihkan dan mempersiapkan data, serta proses klasifikasi menggunakan algoritma SVM. Pada tahap crawling, ulasan pengguna TikTok dikumpulkan dari berbagai sumber. Kemudian, pada tahap preprocessing, data mentah dibersihkan dari elemen-elemen yang tidak relevan dan diubah menjadi format yang dapat diproses oleh algoritma SVM. Terakhir, pada tahap klasifikasi, algoritma SVM diterapkan untuk mengklasifikasikan ulasan-ulasan tersebut. Hasil penelitian menunjukkan bahwa dari total 399 data uji, algoritma SVM berhasil mengklasifikasikan 299 data dengan benar, menghasilkan tingkat akurasi sebesar 75%. Hal ini menunjukkan bahwa algoritma SVM memiliki kemampuan yang baik dalam melakukan klasifikasi ulasan pengguna aplikasi TikTok, meskipun masih terdapat ruang untuk perbaikan. Penelitian ini memberikan kontribusi dalam pemahaman tentang penerapan algoritma SVM untuk analisis sentimen dan klasifikasi teks dalam konteks ulasan aplikasi media sosial.
Algoritma Support Vector Machine dapat digunakan untuk klasifikasi ulasan pengguna aplikasi TikTok melalui beberapa tahapan yaitu crawling data, preprocessing data, dan proses klasifikasi SVM.Berdasarkan hasil penelitian, klasifikasi ulasan mengenai aplikasi TikTok menggunakan algoritma Support Vector Machine menunjukkan bahwa dari total 399 data uji, sebanyak 299 data berhasil diklasifikasikan dengan benar sesuai dengan data sebenarnya.Dengan demikian, nilai akurasi dari klasifikasi ulasan mengenai aplikasi TikTok menggunakan algoritma Support Vector Machine (SVM) yang diperoleh adalah sebesar 75%.
Untuk penelitian lanjutan, dapat dipertimbangkan untuk mengkaji lebih lanjut tentang penerapan algoritma SVM dalam konteks analisis sentimen pada platform media sosial lainnya, seperti Instagram atau Facebook. Selain itu, penelitian dapat dilakukan untuk mengeksplorasi teknik-teknik pengolahan bahasa alami (NLP) yang lebih canggih untuk meningkatkan akurasi klasifikasi ulasan pengguna. Terakhir, penelitian juga dapat dilakukan untuk menganalisis pengaruh fitur-fitur tertentu dalam aplikasi TikTok terhadap sentimen pengguna, seperti algoritma rekomendasi atau fitur interaksi sosial.
- Analisis sentimen pengguna aplikasi BSI mobile akibat ransomware menggunakan algoritma support vector... jurnal.sttmcileungsi.ac.id/index.php/infotech/article/view/1102Analisis sentimen pengguna aplikasi BSI mobile akibat ransomware menggunakan algoritma support vector jurnal sttmcileungsi ac index php infotech article view 1102
- Analisis Sentimen Terhadap Bakal Capres RI 2024 di Twitter Menggunakan Algoritma SVM | Journal of Information... ejurnal.seminar-id.com/index.php/josh/article/view/4379Analisis Sentimen Terhadap Bakal Capres RI 2024 di Twitter Menggunakan Algoritma SVM Journal of Information ejurnal seminar id index php josh article view 4379
- Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning... doi.org/10.47233/jteksis.v5i1.750Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning doi 10 47233 jteksis v5i1 750
| File size | 460.71 KB |
| Pages | 14 |
| DMCA | Report |
Related /
UNIDHAUNIDHA Hasil menunjukkan bahwa algoritma SVM dan MLP memberikan performa tertinggi dengan nilai evaluasi di atas 99,8%, sementara RF menunjukkan performa kuatHasil menunjukkan bahwa algoritma SVM dan MLP memberikan performa tertinggi dengan nilai evaluasi di atas 99,8%, sementara RF menunjukkan performa kuat
STMIK BANJARBARUSTMIK BANJARBARU Validasi melalui simulasi Python menunjukkan error 0%, memastikan akurasi perhitungan manual. Hasil menunjukkan algoritma SJF lebih efisien dengan rata-rataValidasi melalui simulasi Python menunjukkan error 0%, memastikan akurasi perhitungan manual. Hasil menunjukkan algoritma SJF lebih efisien dengan rata-rata
NINETYJOURNALNINETYJOURNAL Fitur utama seperti autentikasi ganda, pengawasan ujian real-time, dan otomatisasi penilaian terbukti efektif meningkatkan efisiensi dan keamanan pelaksanaanFitur utama seperti autentikasi ganda, pengawasan ujian real-time, dan otomatisasi penilaian terbukti efektif meningkatkan efisiensi dan keamanan pelaksanaan
STMIK BANJARBARUSTMIK BANJARBARU Hasil performa sistem mendeteksi tempat parkir sebesar 80 % dan sistem mampu mengarahkan kendaraan ke slot parkir yang kosong dengan efisiensi rute optimal.Hasil performa sistem mendeteksi tempat parkir sebesar 80 % dan sistem mampu mengarahkan kendaraan ke slot parkir yang kosong dengan efisiensi rute optimal.
STMIK BANJARBARUSTMIK BANJARBARU Ini menunjukkan bahwa akurasi sistem rekomendasi adalah sekitar 91.60% berdasarkan Mean Squared Error (MAE) dan 88.18% berdasarkan Root Mean Squared ErrorIni menunjukkan bahwa akurasi sistem rekomendasi adalah sekitar 91.60% berdasarkan Mean Squared Error (MAE) dan 88.18% berdasarkan Root Mean Squared Error
STMIK BANJARBARUSTMIK BANJARBARU Hasil evaluasi menunjukkan akurasi 81%, presisi rata‑rata 80%, recall 80%, dan f‑measure 80%, menandakan Random Forest efektif untuk klasifikasi sentimenHasil evaluasi menunjukkan akurasi 81%, presisi rata‑rata 80%, recall 80%, dan f‑measure 80%, menandakan Random Forest efektif untuk klasifikasi sentimen
STMIK BANJARBARUSTMIK BANJARBARU Secara keseluruhan, SVM dapat diandalkan sebagai alat analisis teks dalam konteks aplikasi ChatGPT, namun perlu upaya penyesuaian data dan fitur untukSecara keseluruhan, SVM dapat diandalkan sebagai alat analisis teks dalam konteks aplikasi ChatGPT, namun perlu upaya penyesuaian data dan fitur untuk
STMIK BANJARBARUSTMIK BANJARBARU 80), dan Text Vectorization and Embedding (0. 80). Hasil penelitian menunjukkan bahwa algoritma berbasis Bidirectional-LSTM secara signifikan mengungguli80), dan Text Vectorization and Embedding (0. 80). Hasil penelitian menunjukkan bahwa algoritma berbasis Bidirectional-LSTM secara signifikan mengungguli
Useful /
NINETYJOURNALNINETYJOURNAL Metode ini diawali dengan pemecahan kalimat, pembersihan teks, penghapusan kata tidak penting, dan pembobotan kata menggunakan Term Frequency-Inverse DocumentMetode ini diawali dengan pemecahan kalimat, pembersihan teks, penghapusan kata tidak penting, dan pembobotan kata menggunakan Term Frequency-Inverse Document
STMIK BANJARBARUSTMIK BANJARBARU Metode yang digunakan mencakup algoritma machine learning seperti SVM, Naïve Bayes, k-NN, Decision Tree, Logistic Regression, serta algoritma deep learningMetode yang digunakan mencakup algoritma machine learning seperti SVM, Naïve Bayes, k-NN, Decision Tree, Logistic Regression, serta algoritma deep learning
STMIK BANJARBARUSTMIK BANJARBARU 5) untuk memprediksi kebutuhan persediaan obat di Apotek Az-Zikra Bengkulu. Data transaksi tiga bulan terakhir dikumpulkan dan dianalisis melalui algoritma5) untuk memprediksi kebutuhan persediaan obat di Apotek Az-Zikra Bengkulu. Data transaksi tiga bulan terakhir dikumpulkan dan dianalisis melalui algoritma
STMIK BANJARBARUSTMIK BANJARBARU Ketidakseimbangan dalam distribusi kelas tampaknya menjadi faktor krusial yang mempengaruhi kinerja model, dimana model cenderung bias terhadap kelas denganKetidakseimbangan dalam distribusi kelas tampaknya menjadi faktor krusial yang mempengaruhi kinerja model, dimana model cenderung bias terhadap kelas dengan