Analisis Sentimen Terhadap Permintaan Informasi Produk Pada Platform Toko Online Menggunakan Algoritma Support Vector Machine Dengan Optimasi Particle Swarm Optimization Studi Kasus: Twoseasons

MUHAMAD, IQBAL NUGRAHA (9882405220111017) (2024) Analisis Sentimen Terhadap Permintaan Informasi Produk Pada Platform Toko Online Menggunakan Algoritma Support Vector Machine Dengan Optimasi Particle Swarm Optimization Studi Kasus: Twoseasons. Undergraduate Thesis, Universitas Informatika dan Bisnis Indonesia.

	Text Cover.pdf Download (72kB)
	Text Abstrak.pdf Download (65kB)
	Text Bab 1.pdf Download (188kB)
	Text Daftar Pustaka.pdf Download (205kB)

Abstract

Pemanfaatan teknologi dalam bidang perdagangan dan penjualan diantaranya Toko Online semakin berkembang. Informasi produk berperan penting untuk membangun kepercayaan konsumen ketika menentukan keputusan dalam pembelian produk. Oleh karena itu, diperlukan analisis klasifikasi Sentimen untuk membantu calon konsumen untuk menarik kesimpulan. Analisis sentiment bertujuan untuk menyimpulkan dan mengidentifikasi pada data dan mengklasifikasikan polaritas. Maka dari itu dibutuhkan klasifikasi sentiment permintaan informasi pada toko online dengan menggunakan Algoritma SVM yang dioptimasi PSO. Berdasarkan hasil pengolahan data didapatkan bahwa sentiment positif terhadap permintaan informasi sebanyak 26.8%, sentimen negatif terhadap permintaan informasi sebanyak 31.8%, dan sentimen netral terhadap permintaan informasi sebanyak 41.4%. Dengan tingkat akurasi 56.93% maka dapat disimpulkan bahwa pertanyaan informasi produk pada toko online cenderung memiliki sentimen netral. Kata Kunci: Analisis Klasifikasi Sentimen, Particle Swarm Optimization, Toko Online, Support Vector Machine, Teks Pemintaan Informasi.

Item Type:	Other
Additional Information:	SKRIPSI PRODI INFORMATIKA S1
Subjects:	H Social Sciences > H Social Sciences (General) T Technology > T Technology (General)
Divisions:	Fakultas Teknologi dan Informatika > Informatika
Depositing User:	PERPUS PERPUSTAKAAN UNIBI
Date Deposited:	19 Nov 2024 09:10
Last Modified:	20 Nov 2024 04:46
URI:	http://repository.unibi.ac.id/id/eprint/727

Actions (login required)

View Item