Perbandingan Algoritma Regresi Logistik, Support Vector Machine, dan Gradient Boosting Pada Analisis Sentimen Data Komentar Siswa

Novita Ranti Muntiari; Kharis Hudaiby Hanif; Indah Chairun Nisa

Authors

Novita Ranti Muntiari Politeknik Bisnis Kaltara
Kharis Hudaiby Hanif Universitas Borneo Tarakan
Indah Chairun Nisa Politeknik Bisnis Kaltara

Keywords:

Analisis Sentimen , Regresi Logistik, Support Vector Machine, Gradient Boosting

Abstract

Evaluasi pengajaran dilakukan menggunakan aplikasi Digital Teacher Assessment (DITA) belum melibatkan klasifikasi pengelompokkan. Data komentar yang terkumpul dikelompokkan menjadi tiga kategori yaitu komentar positif, negatif, dan netral. Berdasarkan kategori komentar membutuhkan analisis sentimen dalam mengelompokkan komentar tersebut. Analisis sentimen menggunakan lexicon based. Selanjutnya data komentar tersebut diberi bobot menggunakan TF-IDF sebelum diklasifikasikan dan dievaluasi. Dalam penelitian ini menggunakan algoritma regresi logistik, support vector machine (SVM), dan gradient boosting. Hasil penelitian menunjukkan perbandingan akurasi dari algoritma regresi logistik, support vector machine (SVM), dan gradient boosting dengan algoritma gradient boosting memiliki tingkat akurasi yang paling tinggi yaitu 97,5%. Dari hasil penelitian dapat disimpulkan bahwa algoritma gradient boosting memiliki tingkat akurasi lebih baik dalam mengklasifikasi data analisis sentimen komentar siswa.

References

J. A. Septian, T. M. Fachrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., vol. 1, no. 1, pp. 43–49, 2019, doi: 10.52985/insyst.v1i1.36.

T. Arifin, “Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear,” J. Inform., vol. 4, no. 2, pp. 155–162, 2017.

N. R. Muntiari and K. H. Hanif, “Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning,” J. Ilmu Komput. dan Teknol., vol. 3, no. 1, pp. 1–6, 2022, doi: 10.35960/ikomti.v3i1.766.

M. R. Fauzaan and T. A. Hermawan, “Klasifikasi Pengguna Internet berdasarkan Aktifitas Akses Internet Advertisement dengan Menggunakan Metode Regresi Logistik,” Annu. Res. Semin. …, vol. 4, no. 1, pp. 978–979, 2019.

I. Komputer, I. Pengetahuan, U. L. Mangkurat, J. Jenderal, A. Yani, and K. Selatan, “Perbandingan Metode Extreme Gradient Boosting Dan,” pp. 373–382, 2019.

Y. Wang, G. Huang, J. Li, H. Li, Y. Zhou, and H. Jiang, “Refined Global Word Embeddings Based on Sentiment Concept for Sentiment Analysis,” IEEE Access, vol. 9, no. 1, pp. 37075–37085, 2021, doi: 10.1109/ACCESS.2021.3062654.

M. K. Anam, B. N. Pikir, and M. B. Firdaus, “Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 139–150, 2021, doi: 10.30812/matrik.v21i1.1092.

M. Alfi, R. Reynaldhi, and Y. Sibaroni, “Analisis Sentimen Review Film pada Twitter menggunakan Metode Klasifikasi Hybrid SVM, Naïve Bayes, dan Decision Tree,” vol. 8, no. 5, pp. 10127–10137, 2021.

K. A. Rokhman, B. Berlilana, and P. Arsi, “Perbandingan Metode Support Vector Machine Dan Decision Tree Untuk Analisis Sentimen Review Komentar Pada Aplikasi Transportasi Online,” J. Inf. Syst. Manag., vol. 3, no. 1, pp. 1–7, 2021, doi: 10.24076/joism.2021v3i1.341.

N. N. Wilim and R. S. Oetama, “Sentiment Analysis About Indonesian Lawyers Club Television Program Using K-Nearest Neighbor, Naïve Bayes Classifier, And Decision Tree,” IJNMT (International J. New Media Technol., vol. 8, no. 1, pp. 50–56, 2021, doi: 10.31937/ijnmt.v8i1.1965.

A. R. S. Darwanto, Taza Luzia Viarindita, and Yekti Widyaningsih, “Analisis Regresi Logistik Binomial dan Algoritma Random Forest pada Proses Pengklasifikasian Penyakit Ginjal Kronis,” J. Stat. dan Apl., vol. 5, no. 1, pp. 1–14, 2021, doi: 10.21009/jsa.05101.

A. Budianto, R. Ariyuana, and D. Maryono, “Perbandingan K-Nearest Neighbor (Knn) Dan Support Vector Machine (Svm) Dalam Pengenalan Karakter Plat Kendaraan Bermotor,” J. Ilm. Pendidik. Tek. dan Kejuru., vol. 11, no. 1, p. 27, 2019, doi: 10.20961/jiptek.v11i1.18018.

S. E. Suryana, B. Warsito, and S. Suparti, “Penerapan Gradient Boosting Dengan Hyperopt Untuk Memprediksi Keberhasilan Telemarketing Bank,” J. Gaussian, vol. 10, no. 4, pp. 617–623, 2021, doi: 10.14710/j.gauss.v10i4.31335.

W. Li, P. Liu, Q. Zhang, and W. Liu, “An improved approach for text sentiment classification based on a deep neural network via a sentiment attention mechanism,” Futur. Internet, vol. 11, no. 4, 2019, doi: 10.3390/FI11040096.

I. Hilmy Khairi Idris, Mochammad Ali Fauzi, “Klasifikasi Teks Bahasa Indonesia Pada Dokumen Pengaduan Sambat Online Menggunakan Metode K-Nearest Neighbors Dan Chi-square,” Syst. Inf. Syst. Informatics J., vol. 3, no. 1, pp. 25–32, 2017, doi: 10.29080/systemic.v3i1.191.