Analisis Sentimen Pengguna QRIS Berdasarkan Ulasan pada X (Twitter) Menggunakan Metode SVM dengan Particle Swarm Optimization

Rachmannisa, Nur Hajidah and Syaiful Anam,, S.Si., M.T., Ph.D., (2024) Analisis Sentimen Pengguna QRIS Berdasarkan Ulasan pada X (Twitter) Menggunakan Metode SVM dengan Particle Swarm Optimization. Sarjana thesis, Universitas Brawijaya.

Abstract

QRIS merupakan standar kode QR Nasional untuk memfasilitasi pembayaran kode QR di Indonesia yang diluncurkan oleh Bank Indonesia dan Asosiasi Sistem Pembayaran Indonesia (ASPI). QRIS mendapatkan banyak tanggapan dari masyarakat pada media sosial, salah satunya pada Twitter atau yang saat ini dikenal sebagai X. Jumlah opini masyarakat yang sangat banyak pada media sosial menyebabkan manusia akan mengalami kesulitan mengidentifikasi, mengekstraksi, serta merangkum sentimen di dalamnya, sehingga dibutuhkan sistem analisis sentimen otomatis berbasis machine learning. Salah satu model klasifikasi yang dapat digunakan untuk mengelompokkan sentimen menjadi positif atau negatif adalah Support Vector Machine (SVM). Pemilihan parameter yang tepat perlu dilakukan untuk menghasilkan performa yang optimal pada SVM, sehingga pada penelitian ini, parameter SVM dioptimisasi menggunakan metode optimisasi heuristik yaitu Particle Swarm Optimization (PSO). Dataset yang digunakan berasal dari tweet masyarakat tentang QRIS pada media sosial X (Twitter). Berdasarkan hasil evaluasi model, SVM kernel linear dengan PSO 20 partikel memiliki performa yang paling baik dengan accuracy pada data testing sebesar 85,201% dan f1-score sebesar 84,502%. SVM dengan PSO lebih baik dibandingkan SVM tanpa PSO karena SVM dengan PSO memiliki rata-rata hasil evaluasi yang baik, sedangkan SVM tanpa PSO dengan pemilihan parameter yang tidak tepat menghasilkan performa yang kurang baik. Semakin banyak partikel yang digunakan dalam PSO pada SVM dengan kernel linear maupun kernel RBF, semakin tinggi rata-rata nilai fitness yang dihasilkan dan semakin kecil standar deviasinya, namun membutuhkan waktu komputasi yang lebih lama.

English Abstract

QRIS is a National QR code standard to facilitate QR code payments in Indonesia launched by Bank Indonesia and the Indonesian Payment System Association (ASPI). QRIS gets a lot of responses from the public on social media, one of which is on Twitter or currently known as X. The large number of public opinions on social media causes humans to have difficulty identifying, extracting, and summarizing sentiment in it, so an automatic sentiment analysis system based on machine learning is needed. One of the classification models that can be used to categorize sentiment into positive or negative is Support Vector Machine (SVM). Proper parameter selection needs to be done to produce optimal performance in SVM, so in this study, SVM parameters are optimized using a heuristic optimization method, namely Particle Swarm Optimization (PSO). The dataset used comes from public tweets about QRIS on X social media (Twitter). Based on the model evaluation results, linear kernel SVM with 20 particle PSO has the best performance with accuracy on testing data of 85.201% and f1-score of 84.502%. SVM with PSO is better than SVM without PSO because SVM with PSO consistently has good average evaluation results, while SVM without PSO with improper parameter selection results in poor performance. The more particles used in PSO on SVM with linear kernel and RBF kernel, the higher the average fitness value produced and the smaller the standard deviation, but requires longer computation time.

Item Type:	Thesis (Sarjana)
Identification Number:	0524090165
Uncontrolled Keywords:	analisis sentimen, particle swarm optimization, QRIS, support vector machine
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika
Depositing User:	Unnamed user with username nova
Date Deposited:	28 Jun 2024 07:39
Last Modified:	28 Jun 2024 07:39
URI:	http://repository.ub.ac.id/id/eprint/222115

Text (DALAM MASA EMBARGO) Nur Hajidah Rachmannisa.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item