Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Wijaya, Fredi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

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

Found 1 Documents
Search

 1 
Analisis Sentimen Komentar Video Youtube Dengan Leksikon Textblob Menggunakan Algoritma Svm Berdasarkan Rasio Data Uji Wijaya, Fredi; Ramadhani, Risky Aswi; Setiawan, Ahmad Bagus
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 3 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/h1z62886

Abstract

Analisis sentimen, sebagai salah satu cabang penting dalam Natural Language Processing (NLP), bertujuan untuk mengidentifikasi, mengekstrak, dan memahami opini atau emosi yang tersirat dalam data teks. Penelitian ini secara spesifik berfokus pada analisis sentimen komentar pengguna yang terdapat pada satu video YouTube (Video ID: gp8JOmHEfos) yang mengulas produk laptop Advan WorkPlus. Dalam implementasinya, penelitian ini mengandalkan leksikon TextBlob untuk proses pelabelan sentimen awal dan menggunakan algoritma Support Vector Machine (SVM) sebagai model klasifikasi. Tujuan utama dari penelitian ini adalah untuk mengevaluasi secara komparatif performa akurasi model SVM dengan menerapkan variasi pada rasio pembagian data latih dan data uji. Tiga skenario rasio yang diuji meliputi data uji sebesar 10%, 20%, dan 30%. Berdasarkan hasil eksperimen yang dilakukan, akurasi  tertinggi yang berhasil dicapai adalah 72,00% ketika menggunakan rasio data uji 10%. Terlihat pola penurunan akurasi seiring dengan peningkatan persentase data uji, di mana akurasi menjadi 66,00% untuk  data uji 20%  dan 64,00% untuk data uji 30%. Temuan ini secara konsisten mengindikasikan bahwa ketersediaan pengujian data latih yang lebih besar memiliki korelasi positif terhadap peningkatan performa akurasi model dalam konteks analisis sentimen yang memanfaatkan kombinasi TextBlob dan SVM.
Co-Authors Ahmad Bagus Setiawan Risky Aswi R, Risky