FIREFLY ALGORITHM SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI DATA OPINI FILM

STYAWATI, Dr.Techn. Khabib Mustofa,S.Si.,M.Kom.

2018 | Tesis | MAGISTER ILMU KOMPUTER

Analisis sentimen yang digunakan dalam penelitian ini merupakan proses klasifikasi teks ke dalam dua kelas yaitu kelas negatif dan positif. Metode klasifikasi yang digunakan adalah Support Vector Machine (SVM). Keberhasilan klasifikasi metode SVM bergantung pada koefisien soft margin C dan parameter sigma dari fungsi kernel. Parameter SVM tersebut biasanya didapatkan dengan cara trial and error, namun cara tersebut membutuhkan waktu yang cukup lama karena harus mencoba setiap kombinasi parameter SVM, maka dari itu dibutuhkan metode yang dapat menghasilkan nilai parameter SVM dengan waktu yang lebih singkat. Penelitian ini menggunakan metode Firefly Algorithm sebagai metode optimasi parameter SVM. Data set yang digunakan dalam penelitian ini adalah data opini masyarakat terhadap beberapa film. Berdasarkan data tersebut dilakukan proses evaluasi terhadap algoritma SVM dan FA-SVM. Evaluasi yang dilakukan adalah dengan membandingkan akurasi dan waktu eksekusi. Hasil penelitian ini menunjukkan bahwa FA dapat membantu SVM untuk mendapatkan kombinasi parameter yang sesuai berdasarkan akurasi dengan waktu eksekusi lebih singkat. Hal ini dibuktikan dengan hasil evaluasi SVM dan FA-SVM dengan rentang nilai C=1.0-3.0 dan sigma=0.1-1.0 menghasilkan akurasi tertinggi yaitu 87.84%. Evaluasi berikutnya metode SVM maupun FA-SVM menggunakan rentang nilai C=1.0-3.0 dan sigma=1.0-2.0 menghasilkan akurasi tertinggi yaitu 87.15%. Waktu eksekusi metode SVM dengan rentang nilai C=1.0-3.0 dan sigma=0.1-1.0 adalah 5928 detik, sedangkan metode FA-SVM membutuhkan waktu eksekusi 2330 detik. Selisih waktu antara metode SVM dengan metode FA-SVM adalah 3598 detik. Evaluasi berikutnya menggunakan metode SVM dengan rentang nilai C=1.0-3.0 dan sigma=1.0-2.0 membutuhkan waktu eksekusi 7205 detik, sedangkan metode FA-SVM membutuhkan waktu eksekusi 2388 detik. Selisih waktu antara metode SVM dengan metode FA-SVM adalah 4817 detik.

The sentiment analysis used in this study is the process of classifying text into two classes, negative and positive. This study employed Support Vector Machine (SVM) as the classification method. However, the successful classification of the SVM method depends on coefficient soft margin C and sigma parameter of the kernel function. SVM parameters are usually obtained by trial and error, but the method consumes a significant amount of time to try every single combination of the parameters, in addition, it requires a method that can minimize the use of the research process time. Furthermore, to overcome this issue, this study proposed a Firefly Algorithm to obtain the most suitable parameter on SVM. The dataset collected in this research was public opinion on several films. Based on these data, an evaluation process was carried out on the SVM and FA-SVM algorithms. The evaluation is done by comparing the accuracy and execution time. The results of this study indicate that the FA can assist SVM to get the appropriate combination of parameters based on accuracy and faster execution times. The first evidence was portrayed on the evaluation results of SVM and FA-SVM with a range of values of C=1.0-3.0 and sigma=0.1-1.0 in the highest accuracy of 87.84%. The next evaluation of the SVM and FA-SVM methods applied a range of values of C=1.0-3.0 and sigma=1.0-2.0 resulting in the highest accuracy of 87.15 %. The execution time of the SVM method with a value range of C=1.0-3.0 and sigma=0.1-1.0 is 5928 seconds, while the FA-SVM method requires execution time of 2330 seconds. The time difference between the SVM method and the FA-SVM method is 3598 seconds. The next evaluation using the SVM method with a range of values of C=1.0-3.0 and sigma=1.0-2.0 requires 7205 seconds of execution time, while the FA-SVM method requires 2388 seconds of execution time. The time difference between the SVM method and the FA-SVM method is 4817 seconds.

Kata Kunci : Analisis Sentimen, Klasifikasi, SVM, FA-SVM