Article Per Year (5 Year)
p-Index From 2019 - 2024
2.136
P-Index
This Author published in this journals
All Journal Jurnal Mirai Management JOIV : International Journal on Informatics Visualization JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) JURTEKSI eProceedings of Engineering
Oktariani Nurul Pratiwi
Telkom University
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Mirai Management

 1 
Analisis Sentimen IMBd Film Review Dataset Menggunakan Support Vector Machine (SVM) dan Seleksi Feature Importance Hilda Nuraliza; Oktariani Nurul Pratiwi; Faqih Hamami
Jurnal Mirai Management Vol 7, No 1 (2022)
Publisher : STIE AMKOP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37531/mirai.v7i1.2222

Abstract

Perkembangan teknologi internet khususnya dalam bidang perfilman memberikan sarana terbuka bagi masyarakat dalam mengekspresikan pendapat dan emosional. Salah satu pendapat yang seringkali masyarkat keluarkan yaitu berupa penilaian sebuah film pada platform tertentu seperti IMDB. Ulasan yang dikeluarkan tentunya mengandung emosional yang dibawakan oleh masyarakat itu sendiri, baik emosional positif maupun negatif yang dinamakan sentimen. Sentimen atau opini masyarakat ini perlu dianalisis untuk mengklasifikasikan opini sesuai dengan kelasnya sehingga kecenderungannya terhadap suatu objek dapat diketahui. Adapun metode yang digunakan dalam penelitian ini yaitu metode data mining dengan Knowledge Discovery in Database (KDD). Tujuan dari penelitian ini yaitu analisa sentiment IMDB film review oleh masyarakat menggunakan algoritma Support Vector Machine dan seleksi Feature importance untuk memperoleh pola dan hasil yang terbaik. Dengan pengujian validasi akurasi data menggunakan metode split data sederhana dan k-fold cross validation yang menghasilkan akurasi sebesar 91.942% dan 87.699%. Lalu Kemudian dilakukan evaluasi menggunakan confusion matrix dengan penetapan max feature sebesar 10000 untuk memeriksa nilai ketepatan prediksi yang dilakukan oleh model yaitu diperoleh akurasi sebesar 88.033%. Dalam hal ini dapat dibuktikan bahwa kemampuan model dalam melakukan klasifikasi dinilai cukup baik. Keywords: Data Mining, KDD, Feature Importance, SVM, Confusion Matrix
Co-Authors Amarila Zahratun Nisa Anindya Prameswari Putri Djakaria Chika Enggar Puspita Edi Sutoyo Eflin Trinova Limbong Fadhilah Fazrin Faqih Hamami Hanif Fakhrurroja Hilda Nuraliza Hilman Dwi Anggana Hyoen-yeong Yoon Ida Bagus Ketut Widiartha Ivania Nonita Chrisdiyanti Jody Mardika Jun-seok Hwang Luthfi Ahmad Muhaimin Rachmadita Andreswari Rama Ariandi Riska Yanu Fa'rifah Riska Yanu Fa’rifah Riska Yanua Fa'rifah Rudi Guna Pramudia Saleh Hasan Badjrie Shinta Pramuwidya Yuni Kardila