Implementasi Support Vector Machine untuk analisis sentimen pengguna platform investasi online di google play store

Maulana, Riza Fajar (2026) Implementasi Support Vector Machine untuk analisis sentimen pengguna platform investasi online di google play store. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (28kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (28kB) | Preview
Preview	Text (LEMBAR PERNYATAAN) Surat Pernyataan Karya Sendiri_1197050119.pdf Download (947kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (548kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (72kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (616kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (171kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (27kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (269kB) | Request a copy
Preview	Text (LAMPIRAN) Lampiran penelitian (7).pdf Download (135kB) | Preview

Abstract

Peningkatan penggunaan platform investasi digital seperti Bibit, Ajaib, dan Stockbit telah menghasilkan banyak ulasan pengguna yang memuat opini mengenai kualitas layanan. Penelitian ini bertujuan untuk mengimplementasikan algoritma Support Vector Machine (SVM) guna mengklasifikasikan sentimen pengguna menjadi positif dan negatif, serta mengevaluasi performa model terbaik untuk mencapai akurasi di atas 85%. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan dataset sebanyak 3.000 ulasan berbahasa Indonesia yang diambil melalui teknik scraping dari Google Play Store. Proses pengolahan data meliputi preprocessing teks, pelabelan data, dan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan range (1,2). Penelitian ini melakukan eksperimen pada kernel Linear, Polynomial, Sigmoid, dan RBF dengan optimasi hyperparameter menggunakan RandomizedSearchCV pada skenario pembagian data 80:20, 70:30, dan 60:40. Hasil penelitian menunjukkan bahwa konfigurasi model terbaik adalah SVM dengan kernel Sigmoid pada rasio pembagian data 70:30, yang menghasilkan akurasi sebesar 89,5%, precision 92%, recall 87%, dan F1-score 89%. Validasi lebih lanjut menggunakan Stratified 10-Fold Cross Validation menunjukkan kinerja model yang stabil. Model akhir kemudian diimplementasikan ke dalam aplikasi berbasis web menggunakan Gradio untuk mendemonstrasikan prediksi sentimen secara real-time.

Actions (login required)

View Item