Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal Automation Computer Information System (JACIS)
Syarifah, Asyifa Raudha
Unknown Affiliation
Computer Science & IT Control & Systems Engineering

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

Found 1 Documents
Search

 1 
Analisis Sentimen Air Mineral dan Demineral Menggunakan SVM pada Dataset Tidak Seimbang Rana, Dipo Yudhis; Fadillah, Nur; Syarifah, Asyifa Raudha; Afiandri, Dhea Aulia; Rianto, Harsih; Nuryamin, Yamin; Susilowati, Susi
Journal Automation Computer Information System Vol. 5 No. 2 (2025): November
Publisher : Indonesian Journal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47134/jacis.v5i2.138

Abstract

Penelitian ini menganalisis sentimen opini pengguna platform X terhadap air mineral dan air demineral menggunakan pendekatan kuantitatif eksperimental. Data set terdiri dari 140 tweet yang dilabeli manual ke dalam tiga kategori: positif (38.57%), negatif (13.57%), dan netral (47.86%). Ketidakseimbangan kelas ekstrem dan ukuran data set yang sangat kecil menjadi tantangan utama yang mendasari novelty penelitian ini. Penelitian ini menguji hipotesis bahwa class weighting lebih efektif daripada Synthetic Minority Over-sampling Technique (SMOTE) pada dataset kecil. Klasifikasi menggunakan Support Vector Machine (SVM) dengan pra-pemrosesan teks (case folding, data cleaning, stemming Sastrawi, stopword removal) dan ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF). Evaluasi melalui 10-fold stratified cross-validation menunjukkan SVM dengan class weighting mencapai akurasi 57.14% dan F1-score macro 42.36%, sedikit mengungguli SMOTE (53.57% akurasi, 40.98% F1 macro). Uji statistik (Cohen's d = 0.125) mengkonfirmasi tidak ada perbedaan signifikan, membuktikan SMOTE tidak efektif pada dataset sangat kecil. Kelas minoritas (negatif) mencapai F1-score hanya 8%, menunjukkan tantangan ketidakseimbangan ekstrem. Kontribusi utama penelitian ini adalah validasi empiris bahwa class weighting lebih robust daripada SMOTE untuk analisis sentimen berbahasa Indonesia pada kondisi data terbatas
Co-Authors Afiandri, Dhea Aulia Harsih Rianto Nur Fadillah, Nur Rana, Dipo Yudhis Susi Susilowati, Susi Yamin Nuryamin