Gregorius Guntur Sunardi Putra
Program Studi Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Ma Chung

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Perbandingan Particle Swarm Optimization dengan Genetic Algorithm dalam Feature Selection untuk Analisis Sentimen pada Permendikbudristek PPKS-LPT Gregorius Guntur Sunardi Putra; Windra Swastika; Paulus Lucky Tirma Irawan
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 3 (2022): Volume 8 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i3.57300

Abstract

Kekerasan seksual merupakan salah satu masalah serius yang perlu diselesaikan. Setiap tahunnya terdapat lebih dari 2000 aduan kekerasan seksual. Di satuan Pendidikan, sebanyak 55% dari pelaku merupakan guru atau tenaga pendidik. Jumlah yang ada masih belum merepresentasikan jumlah sebenarnya karena 63% dari peserta survei DIKTI tidak melaporkan kasus kekerasan seksual yang diketahuinya dengan alasan menjaga nama baik kampus. Dengan begitu, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbud) menerbitkan Peraturan Menteri Pendidikan, Kebudayaan, Riset, dan Teknologi (Permendikbudristek) Nomor 30 tahun 2021 tentang Pencegahan dan Penanganan Kekerasan Seksual di Lingkungan Perguruan Tinggi (PPKS-LPT). Peraturan ini menimbulkan kontroversi di masyarakat sehingga perlu dilakukan klasifikasi sentimen. Klasifikasi sentimen dilakukan menggunakan algoritma Multinomial Naïve Bayes, Complement Naïve Bayes, Support Vector Machine, dan Nearest Neighbor dengan menggunakan data seleksi fitur Genetic Algorithm dan Particle Swarm Optimization pada data hasil ekstraksi fitur TF-IDF dari data Twitter yang diambil pada tanggal 1 September-30 Desember 2021 menggunakan kata kunci “permendikbud”, hashtag “cabutpermendikbudristekno30”, dan hashtag “dukungpermendikbud30”. Kemudian klasifikasi akan dievaluasi menggunakan 10-Fold Cross Validation. Hasil dari penelitian ini, algoritma CNB memiliki kinerja paling baik jika dibandingkan dengan 4 algoritma klasifikasi lain dengan nilai accuracy 0.688, precison 0.685, recall 0.688, dan f1-score 0.683. Seleksi fitur GA belum mampu menemukan fitur-fitur yang memiliki akurasi lebih baik jika dibandingkan menggunakan semua fitur, sedangkan seleksi fitur PSO mampu menemukan fitur yang memiliki akurasi sama atau lebih baik jika dibandingkan menggunakan semua fitur dengan peningkatan tertinggi sebanyak 0.8% pada MNB. Sebanyak 49% dari responden merupakan pendukung pengesahan Permendikbudristek PPKS-LPT.