Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Ghiffari, Muhammad Reihan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Studi Perbandingan Metode Ekstraksi Fitur Teks Tf-Idf, Word2vec, Fasttext Dan Pengaruh Klasifikasi Multi-Aspek Terhadap Akurasi Svm Ghiffari, Muhammad Reihan; Pinandito, Aryo; Sianturi, Riswan Septriayadi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ulasan pengguna aplikasi BRImo merupakan sumber informasi krusial, sehingga diperlukan metode analisis sentimen otomatis yang efektif untuk diolah menjadi wawasan bermakna. Namun, penggunaan bahasa tidak baku dan kesalahan pengetikan (typo) pada ulasan nasabah menjadi kendala utama. Salah satu kombinasi metode yang umum digunakan adalah TF-IDF dengan SVM, namun pendekatan ini memiliki keterbatasan dalam menangkap makna kontekstual kata yang berdampak pada rendahnya akurasi, serta belum adanya kesimpulan metode ekstraksi fitur mana yang paling efektif. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi perbedaan performa antara metode ekstraksi fitur berbasis frekuensi TF-IDF dengan metode berbasis word embedding seperti Word2Vec dan FastText, serta menguji pengaruh penerapan klasifikasi multi-aspek terhadap akurasi model dibandingkan analisis sentimen umum. Penelitian ini menggunakan 150 data ulasan pengguna yang dikumpulkan melalui survei dan Google Play Store, yang kemudian diolah melalui dua skenario pengujian: analisis sentimen umum dan analisis multi-aspek. Hasil penelitian menunjukkan bahwa pada skenario analisis sentimen umum, model FastText + SVM menghasilkan akurasi tertinggi dengan nilai F1-Score sebesar 0.71, Sementara itu, pada skenario analisis sentimen multi-aspek, model Word2Vec + SVM menunjukkan performa terbaik dengan nilai F1-Score sebesar 0.637. Sehingga dapat disimpulan metode ekstraksi FastText paling cocok digunakan pada analisis sentimen umum dan metode ekstraksi Word2Vec paling cocok digunakan pada analisis sentimen multi-aspek. Kata kunci: analisis sentimen, SVM, TF-IDF, Word2Vec, FastText, multi-aspek, BRImo  
Co-Authors Aryo Pinandito Riswan Septriayadi Sianturi