ANALISIS SENTIMEN PERKEMBANGAN MOTOR LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN OPTIMASI PARTICLE SWARM OPTIMIZATION
Abstract
Innovation in electric motor technology such as increased range, speed, and battery endurance can attract interest from individuals fascinated by the latest advancements. Sentiment analysis enables a profound understanding of consumer perceptions towards electric motors. In this study, Support Vector Machine (SVM) is employed as a classification tool to evaluate opinions on current developments in electric motors. SVM seeks an optimal hyperplane that maximizes the distance between sentiment categories. The development of sentiment analysis methods utilizes SVM with Particle Swarm Optimization (PSO) to successfully achieve an accuracy of 80.33% and obtain a Good Classification category based on ROC Curve results. This research provides insights into consumer perceptions of electric motor technology, offering valuable feedback for manufacturers in the development of superior electric motor products. Leveraging sentiment analysis, manufacturers can enhance product improvements, increase quality, and expand functionality to meet the evolving market demands.
Downloads
References
Alfarizi, M. R. S., Al-farish, M. Z., Taufiqurrahman, M., Ardiansah, G., & Elgar, M. (2023). Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning. Karimah Tauhid, 2(1), 1-6.
Alghifari, D. R., Edi, M., & Firmansyah, L. (2022). Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia. Jurnal Manajemen Informatika (JAMIKA), 12(2), 89–99.
Alita, D., Fernando, Y., & Sulistiani, H. (2020). Implementasi Algoritma Multiclass SVM pada Opini Publik Berbahasa Indonesia di Twitter. Jurnal Tekno Kompak, 14(2), 86-91.
Arisandi, R. R. R., Warsito, B., & Hakim, A. R. (2022). Aplikasi naïve bayes classifier (nbc) pada klasifikasi status gizi balita stunting dengan pengujian k-fold cross validation. Jurnal Gaussian, 11(1), 130-139.
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional. Jurnal TEKNO KOMPAK, 15(1), 131–145.
Febriyani, E., & Februariyanti, H. (2023). Analisis Sentimen Terhadap Program Kampus Merdeka Menggunakan Algoritma Naive Bayes Classifier Di Twitter. Tekno Kompak, 17(1), 25–38.
Fikri, M. I., Sabrila, T. S., Azhar, Y., & Malang, U. M. (2020). Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter. SMATIKA , 10(2), 71–76.
Iskandar, A. P. S., Setiawan, H., Judijanto, L., Mahendra, G. S., Ardi, M., Putri, N. A. R., Handika, I. P. S., Ratih, Mandowen, S. A., Winahyu, R. R. K. K., Atikah, L., Wardani, D. K., Eliviani, R., Kusumawati, A., Ratwastuti, N., & Bowo, I. T. (2024). Teknologi Big Data: Pengantar dan Penerapan Teknologi Big Data di Berbagai Bidang (1st ed., Vol. 1). PT. Green Pustaka Indonesia.
Muttaqin, M. N., & Kharisudin, I. (2021). Analisis Sentimen Pada Ulasan Aplikasi Gojek Menggunakan Metode Support Vector Machine dan K Nearest Neighbor. UNNES Journal of Mathematics, 10(2), 22–27.
Qadrini, L., Seppewali, A., & Aina, A. (2021). Decision Tree Dan Adaboost Pada Klasifikasi Penerima Program Bantuan Sosial. Jurnal Inovasi Penelitian, 2(7), 1959–1966.
Rohim, N., & Zuliarso, E. (2022). Penerapan Algoritma Deep Learning Untuk Pengembangan Chatbot Yang Digunakan Untuk Konsultasi Dan Pengenalan Tentang Virus Covid-19. Jurnal Ilmiah Elektronika Dan Komputer, 15(2), 267–278.
Sabry, F. (2023). Particle Swarm Optimization: Fundamentals and Applications. One Billion Knowledegeable.
Sulistiyowati, N., & Jajuli, M. (2020). Integrasi Naïve Bayes Dengan Teknik Sampling Smote Untuk Menangani Data Tidak Seimbang. Nuansa Informatika, 14(1), 34–37.
Surbakti, A. Q., Hayami, R., & Al Amien, J. (2021). Analisa Tanggapan Terhadap Psbb Di Indonesia Dengan Algoritma Decision Tree Pada Twitter. Jurnal CoSciTech (Computer Science and Information Technology), 2(2), 91–97.
Wijayanti, N. P. Y. T., N. Kencana, E., & Sumarjaya, I. W. (2021). SMOTE: Potensi Dan Kekurangannya Pada Survei. E-Jurnal Matematika, 10(4), 235.
Copyright (c) 2024 Ginabila Ginabila, Ahmad Fauzi, Risca Lusiana Pratiwi, Siti Fauziah, Zulia Imami Alfianti
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Penulis yang menerbitkan jurnal ini menyetujui ketentuan berikut:
1. Penulis memegang hak cipta dan memberikan hak jurnal mengenai publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution 4.0 International License. yang memungkinkan orang lain untuk berbagi karya dengan pengakuan atas karya penulis dan publikasi awal pada jurnal.
2. Penulis dapat memasukkan pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan (misalnya, mengirimkannya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya pada Jurnal.
3. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, dalam penyimpanan institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat menghasilkan pertukaran yang produktif, serta kutipan dari karya yang diterbitkan sebelumnya.
