IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN ULASAN PRODUK XAVERA STORE DI E-COMMERCE SHOPEE

Minasa, Sunggu (2026) IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN ULASAN PRODUK XAVERA STORE DI E-COMMERCE SHOPEE. Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text Cover.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (117kB)
	Text scan-lembar-pengesahan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (126kB)
	Text Scan-Lembar-pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (117kB)
	Text Abstrak.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (191kB)
	Text Bab I.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (249kB)
	Text Skripsi Full.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text Daftar Pustaka.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (231kB)
	Text Surat Hasil Cek Plagiarisme.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (131kB)

Abstract

Pertumbuhan bisnis e-commerce yang pesat seperti Xavera Store menghasilkan jumlah ulasan konsumen yang besar tetapi sering kali tidak konsisten dalam hal kualitas, di mana banyak data ulasan yang kosong meskipun konsumen memberikan penilaian. Penelitian ini bertujuan untuk melaksanakan analisis sentimen terhadap ulasan produk hijab dengan menggunakan algoritma Support Vector Machine (SVM) dan Kernel Linear. Mengingat terbatasnya jumlah dataset dan adanya ulasan yang tidak memiliki teks, penelitian ini menerapkan strategi substitusi nilai penilaian sebagai pengganti ulasan yang kosong guna menjaga integritas data. Proses ekstraksi fitur dilakukan dengan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Hasil dari pengujian menunjukkan bahwa model SVM berhasil mencapai tingkat Akurasi Total sebesar 98,47% dengan pembagian data 80% untuk data latih dan 20% untuk data uji (262 data uji). Model menunjukkan kinerja yang sangat baik pada kelas positif dengan F1-score 0,99, tetapi mengalami tantangan pada kelas negatif dengan presisi 0,70 sebagai akibat dari ketidakseimbangan data (class imbalance). Penelitian ini menyimpulkan bahwa pemakaian rating sebagai pengganti ulasan kosong adalah langkah yang efektif dalam memperluas jangkauan data pada dataset yang ukuran kecil, serta algoritma SVM terbukti sangat andal dalam mengklasifikasikan sentimen konsumen secara otomatis. Kata kunci: Sentiment Analysis, Rating, Support Vector Machine, TF-IDF

Actions (login required)

View Item