Peningkatan Metode Support Vector Machines (SVM) pada Data Child-free Menggunakan Oversampling
Abstract
Keputusan tidak untuk memiliki anak, yang dikenal sebagai child-free, semakin relevan dalam masyarakat modern. Support Vector Machines (SVM) yaitu algoritma yang terawasi digunakan dalam menganalisis keputusan seperti ini. Namun, SVM dapat menghadapi tantangan ketika berurusan dengan data yang tidak seimbang, yang dapat mengakibatkan kinerja yang buruk dalam mengklasifikasikan kelas minoritas. Untuk mengatasi masalah ini, teknik oversampling dapat diterapkan. Studi ini bertujuan untuk membandingkan penerapan SVM dengan oversampling untuk meningkatkan akurasi analisis sentimen pada konsep child-free. Penelitian ini melibatkan langkah-langkah seperti pra-pemrosesan data, visualisasi data, pembobotan kata, pembagian data, oversampling menggunakan SMOTE, pemodelan klasifikasi menggunakan SVM, dan evaluasi model Hasil penelitian menunjukkan bahwa SVM menggunakan pembobotan kata TF-IDF mencapai yang lebih akurat dibandingkan dengan BoW dandapat disimpulkan bahwa SVM dengan pembobotan kata TF-IDF direkomendasikan untuk menganalisis proses pengambilan keputusan individu child-free
Downloads
References
[2] J. M. Teknlogi Informatika dan Komputer Thamrin, F. Syofiani, S. Alam, M. S. Imam Sulistyo, P. Studi Teknik Informatika, and S. Tinggi Teknologi Wastukancana, “Analisis Sentimen Penilaian Masyarakat Terhadap Child-free Berdasarkan Komentar di Youtube Menggunakan Algoritma Naïve Bayes”, doi: 10.37012/jtik.v9i2.1661.
[3] “InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan”, doi: 10.30743/infotekjar.v6i2.4920.
[4] Kurnianto, D. D., & Waluyo, S. (2023, October). Analisis Sentimen Masyarakat Terhadap Eks Pejabat Pajak Diperiksa Kpk Pada Youtube Menggunakan Metode K-Nearest Neighbor. In Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI) (Vol. 2, No. 2, pp. 632-641).
[5] Fahri, A., & Ramdhani, Y. (2023). Visualisasi Data dan Penerapan Machine Learning Menggunakan Decision Tree Untuk Keputusan Layanan Kesehatan COVID-19. Jurnal Tekno Kompak, 17(2), 50-60.
[6] Hadna, N. M. S., Santosa, P. I., & Winarno, W. W. (2016). Studi literatur tentang perbandingan metode untuk proses analisis sentimen di Twitter. Semin. Nas. Teknol. Inf. dan Komun, 2016, 57-64.
[7] Fadhilah, P. N., & Indriyanti, A. D. (2023). Analisis Sentimen terhadap Opini Publik Mengenai Child-free dalam Pernikahan pada Twitter Menggunakan K-Nearest Neighbor (K-NN). Journal of Informatics and Computer Science (JINACS), 5(01), 58-62.
[8] Rupapara, V., Rustam, F., Shahzad, H. F., Mehmood, A., Ashraf, I., & Choi, G. S. (2021). Impact of SMOTE on imbalanced text features for toxic comments classification using RVVC model. IEEE Access, 9, 78621-78634.
[9] Eshan, S. C., & Hasan, M. S. (2017, December). An application of machine learning to detect abusive bengali text. In 2017 20th International Conference of Computer and Information Technology (ICCIT)(pp. 1-6). IEEE.
[10] Heranova, O. (2019). Synthetic Minority Oversampling Technique pada Averaged One Dependence Estimators untuk Klasifikasi Credit Scoring. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 3(3), 443-450.