Penerapan Support Vector Machine Untuk Analisis Sentimen Pada Layanan Ojek Online

Tukino Tukino; Fifi Fifi

doi:10.58520/jddat.v3i2.59

Authors

Tukino Tukino Universitas Putera Batam
Fifi Fifi Universitas Putera Batam

DOI:

https://doi.org/10.58520/jddat.v3i2.59

Keywords:

Analisis Sentimen, Ojek Online, Support Vector Machine, TF-IDF, Klasifikasi Sentimen

Abstract

Dalam era digital yang semakin maju, layanan ojek online seperti GoJek telah menjadi solusi transportasi yang populer di kota-kota besar termasuk Batam. Memahami sentimen pengguna terhadap layanan ini sangat penting bagi perusahaan untuk meningkatkan kualitas dan kepuasan pelanggan. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap layanan GoJek di Kota Batam menggunakan metode Support Vector Machine (SVM). Data yang digunakan dalam penelitian ini dikumpulkan dari ulasan pengguna di media sosial dan aplikasi GoJek. Proses analisis meliputi pengumpulan data, pra-pemrosesan data, ekstraksi fitur menggunakan TF-IDF, dan klasifikasi sentimen menggunakan SVM. Hasil penelitian menunjukkan bahwa model SVM memiliki kinerja yang kuat dalam mengklasifikasikan sentimen pengguna dengan akurasi rata-rata 88.5%, presisi 88.6%, recall 88.2%, dan F1-Score 88.4%. Meskipun kinerja untuk sentimen positif dan negatif sangat baik, model menunjukkan tantangan dalam mengklasifikasikan ulasan netral. Untuk meningkatkan kinerja, disarankan penerapan teknik data augmentation, tuning hyperparameters, dan eksplorasi metode pembelajaran mesin yang lebih canggih. Penelitian ini memberikan wawasan berharga untuk meningkatkan strategi bisnis dan kualitas layanan GoJek di Kota Batam, serta berkontribusi pada pengembangan analisis sentimen di industri transportasi online.

References

Aggarwal, C. C. (2023). "Data Mining: The Textbook" (2nd ed.). Springer.

Zaki, M. J., & Meira, W. (2023). "Data Mining and Machine Learning: Fundamental Concepts and Algorithms" (2nd ed.). Cambridge University Press.

Witten, I. H., Frank, E., & Hall, M. A. (2021). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Cortes, C., & Vapnik, V. (2020). Support-vector networks. Machine Learning, 20(3), 273-297.

Schölkopf, B., & Smola, A. J. (2022). Learning with kernels: Support Vector Machines, regularization, optimization, and beyond. MIT press.

Burges, C. J. (2022). "A tutorial on Support Vector Machines for pattern recognition." Data Mining and Knowledge Discovery, 2(2), 121-167.

Vapnik, V., & Izmailov, R. (2022). "Learning using privileged information: SVM+." Neural Networks, 73, 16-24.

Bennet, K. P., & Campbell, C. (2022). "Support Vector Machines: Hype or hallelujah?" ACM SIGKDD Explorations Newsletter, 2(2), 1-13.

Cristianini, N., & Shawe-Taylor, J. (2022). "An introduction to Support Vector Machines and other kernel-based learning methods." Cambridge University Press.

Zhang, Y., Liu, B., & Zhou, G. (2023). "Advances in Sentiment Analysis: Techniques and Applications." International Journal of Data Science and Analytics, 8(1), 34-56.

Kumar, A., & Rana, R. K. (2023). "Deep Learning Approaches for Sentiment Analysis: A Survey." Journal of Artificial Intelligence Research, 15(2), 110-129.

Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2023). "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding." arXiv preprint arXiv:2301.00099.

Goldberg, Y. (2023). "Neural Network Methods for Natural Language Processing: Second Edition." Synthesis Lectures on Human Language Technologies, 14(1), 1-355

Hofmann, M., & Klinkenberg, R. (Eds.). (2022). RapidMiner: Data mining use cases and business analytics applications. CRC Press.

Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., & Euler, T. (2022). YALE: Rapid prototyping for complex data mining tasks. Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, 935-940.