Implementasi Sistem Deteksi Sentimen Berbasis Aspek untuk Ulasan Smartphone Menggunakan Metode Support Vector Machine (Studi kasus: iPhone 17 Pro)
Tahun 2026 · Penulis: Tantra Wahyudi
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11463
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Implementasi Sistem Deteksi Sentimen Berbasis Aspek untuk Ulasan Smartphone Menggunakan Metode Support Vector Machine (Studi kasus: iPhone 17 Pro)
Pengguna internet Indonesia telah menghasilkan jutaan ulasan smartphone di YouTube, yang sebagian besar ditulis dalam bahasa informal yang sangat tinggi yang berisi singkatan, typos, dan sarkasme, membuat analisis otomatis sangat menantang sistem konvensional. Penelitian ini bertujuan untuk mengembangkan Aspect-Based Sentiment Analysis (ABSA) menggunakan Dukungan Mesin Vektor dan TF-IDF untuk mengklasifikasikan iPhone 17 ulasan Pro berdasarkan empat aspek produk, yaitu Kamera, Baterai, Price, dan Desain, di tiga kelas sentimen: Positif, Negatif, dan Netral. Sebuah teks tujuh tahap praprosesing pipa dirancang, memerjebak kasus dan pembersihan data, normalisasi typo dan singkatan menggunakan kamus lebih dari 200 masukan, penggerutuan berbasis leksikon, penyelengkaran normalisasi, penghapusan stopword kustom, perpustakaan SATrawi mem-mentang, dan penanganan negation pasca-pembenahan untuk melestarikan konsistensi negation. Dataset ini terdiri dari 658 komentar YouTube dibagi dengan rasio 80:20 (526 pelatihan dan 132 pengujian data). Data berdasarkan sentimen kelas tidak seimbang, yang digunakan dengan metode SMOTE. Hasil evaluasi menunjukkan model klasifikasi aspek mencapai akurasi 90.15 persen dengan berat 0.90, sementara model klasifikasi sentimen mencapai akurasi 82.58 persen dengan berat berat F1-Score 0.82, menghasilkan ketepatan rata-rata keseluruhan sistem 86.36 persen. Sistem ini diimplementasikan sebagai aplikasi web berbasis Flask Python bernama Gadgetsense, menampilkan analisis multi-clause otomatis, Terminal Blackbox untuk praproses transparansi, dan integrasi YouTube Data API v3. Penelitian ini menunjukkan bahwa SVM dikombinasikan dengan sebuah baris pipa normalisasi teks komprehensif efektif untuk ABSA pada teks bahasa Indonesia informal.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,853
Tahun 2026 · Penulis: Prasta Agung Setiyabudi
Deteksi Konten Judi Online pada Teks Media Sosial Menggunakan Support Vector Machine dengan Ekstraksi Fitur TF-IDF
Pertumbuhan cepat media sosial telah memudahkan pengguna untuk berinteraksi dan berbagi informasi. Namun, media sosial juga telah menjadi media media untuk menyebarkan konten negatif, yang salah satunya adalah promosi judi online. Konten judi online sering kal
- Cosine 0,833
Tahun 2026 · Penulis: Ahmad Rizky Febianto
Sistem Klasifikasi Deteksi Komentar TikTok Berbasis Web terhadap Pelanggaran UU ITE 2024 Menggunakan Support Vector Machine (Studi Kasus : Pelecehan Seksual)
Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web dalam mendeteksi komentar TikTok yang melanggar Undang-Undang Informasi dan Transaksi Elektronik (UU ITE), dengan fokus pada kasus pelecehan seksual. Tingginya jumlah komentar yang dihasilkan p
- Cosine 0,830
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat