KOMPARASI METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK ANALISIS SENTIMEN MOBIL ESEMKA

Abstract

Esemka merupakan produk mobil hasil rakitan dari siswa Sekolah Menegah Kejuruan (SMK) yang bekerja sama dengan institusi dan industri dalam negeri, sejak awal kehadirannya, produk ini banyak menimbulkan pro dan kontra seperti yang ramai diperbincangkan di media sosial. Perlu dilakukan penelitian untuk melihat seberapa besar dampak dari kehadiran produk tersebut, diharapkan dari penelitian ini dapat bermanfaat dalam penelitian mengenai opini masyarakat lainnya. Peneliti memilih analisis sentimen karena merupakan tehnik yang tepat untuk pengolahan dataset. Dari 288 opini pengguna youtube yang berhasil dikumpulkan, didapat 180 opini positif dan 108 opini negatif. Kemudian, data tersebut diklasifikasikan mengunakan algoritma Naive Bayes dan Support Vector Machine, selanjutnya dilakukan optimasi dengan menggunakan Particle Swarm Optimization. Sehingga penelitian yang telah dilakukan mendapatkan hasil akurasi sebesar 75.04% untuk nilai akurasi Naive Bayes tanpa seleksi fitur, 83.33% untuk hasil Naive Bayes menggunakan seleksi fitur. Kemudian nilai akurasi yang didapat untuk Support Vector Machine tanpa seleksi fitur sebesar 78.81%, dan dengan fitur seleksi sebesar 88.19%. Ada peningkatan hasil akurasi yang signifikan, membuktikan bahwa penggunaan seleksi fitur Particle Swarm Optimization mempengaruhi untuk meningkatkatkan hasil akurasi.

Kata Kunci: Analisis Sentimen, Naive Bayes, Support Vector Machine, Particle Swarm Optimization.

Abstract: Esemka is an assembled car product from Vocational High School (SMK) students who work closely with domestic institutions and industries, since the beginning of its presence, this product raises many pros and cons as it is widely discussed on social media. Research needs to be done to see how big the impact of the presence of these products, it is hoped that this research can be useful in research on other public opinion. Researchers choose sentiment analysis because it is an appropriate technique for processing datasets. From 288 youtube user opinions that have been collected, obtained 180 positive opinions and 108 negative opinions. Then, the data is classified using the Naive Bayes algorithm and Support Vector Machine, then optimization is done using Particle Swarm Optimization. So that research has been done to get an accuracy of 75.04% for the accuracy value of Naive Bayes without feature selection, 83.33% for Naive Bayes results using feature selection. Then the accuracy value obtained for Support Vector Machine without feature selection is 78.81%, and with feature selection is 88.19%. There is a significant increase in accuracy results, proving that the use of Particle Swarm Optimization feature selection affects to increase accuracy results.

Keywords: Sentiment Analysis, Naive Bayes, Support Vector Machine, Particle Swarm Optimization