Efektifitas Word2Vec dan TF-IDF dalam Klasifikasi Sentimen pada Platform Investasi Online Menggunakan  Support Vector Machine - Dalam bentuk pengganti sidang - Artikel Jurnal

FADIL RIFALDY

Informasi Umum

Kode

24.04.5664

Klasifikasi

005.7 - Data in Computer Systems

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

162 kali

Informasi Lainnya

Abstraksi

Investasi di Indonesia semakin populer, terutama di kalangan generasi milenial. investasi seperti deposito, emas, saham, dan aplikasi investasi online semakin diminati, namun kelebihan dan kekurangan menjadi tolak ukur kualitas layanan aplikasi. Oleh karena itu, penelitian ini berfokus pada klasifikasi sentimen ulasan pengguna terhadap aplikasi investasi online Nanovest di Google Play Store dengan menggunakan metode Support Vector Machine (SVM). SVM digunakan karena dapat mengklasifikasikan opini ke dalam kelas sentimen positif dan negatif dengan akurasi yang baik, dengan mengevaluasi seberapa efektif ekstraksi fitur Word2Vec yang dapat mengubah kata dalam sebuah teks menjadi vektor numerik dan TF-IDF yang mampu melakukan pembobotan kata berdimensi tinggi serta fitur kombinasi TF-IDF Weighted Word2Vec untuk menghasilkan representasi vektor yang lebih kaya. Pengujian dilakukan dengan menggunakan empat kernel SVM yaitu Linear, Polynomial, RBF, dan Sigmoid. Hasil penelitian menunjukkan bahwa Word2Vec dengan kernel RBF dan ukuran vektor 300 menghasilkan akurasi tertinggi yaitu 95.46%, kombinasi TF-IDF Weighted Word2Vec juga memberikan performa yang baik dengan akurasi 95.29% pada kernel RBF. Namun, TF-IDF saja menghasilkan akurasi terendah sebesar 93.31% pada kernel Sigmoid. Penelitian ini menunjukkan bahwa Word2Vec dan metode ekstraksi fitur gabungan efektif dalam meningkatkan kinerja klasifikasi sentimen dibandingkan dengan TF-IDF. Kata kunci : Klasifikasi Sentimen, Aplikasi Investasi, Word2Vec, TF-IDF, Support Vector Machine, Nanovest