<![CDATA[Penelitian ini bertujuan untuk melakukan klasifikasi pada data sentiment pelayanan Kesehatan menggunakan Multiclass SVM pendekatan One versus One (OvO) dengan fitur unigram dan bigram. Sumber data sentimen berasal dari data laporan survei kepuasan pelayanan puskesmas denpasar 2021 oleh Center for Public Health Innovation (CPHI) FK UNUD. Ekstraksi fitur menggunakan TF-IDF satu term/unigram dan dua term/bigram lalu kemudian diolah menggunakan Support Vector Machine OvO. KFold Cross Validation digunakan untuk membagi data latih dan data tes sekaligus memvalidasi model. Hasil yang didapatkan pada proses pengklasifikasian data train SVM OvO unigram didapatkan skor akurasi 97,09%, presisi 97,97%, recall 96,90%, dan f1-score 97,40%, sedangkan pada SVM OvO bigram didapatkan skor akurasi 97,91%, presisi 98,56%, recall 37,39%, dan f1-score 37,79%. Pada pengklasifikasian data tes didapatkan SVM OvO unigram mendapatkan skor akurasi 68,77%, presisi 73,13%, recall 61,67%, dan f1-score 64,13%, sedangkan SVM OvO bigram mendapatkan skor akurasi 47,92%, presisi 66,41%, recall 37,39%, dan f1-score 37,79%. Perbedaan skor yang jauh pada data train dan data tes dikarenakan adanya overfitting, sehingga perlu adanya seleksi fitur sebelum fitur digunakan sebagai masukan untuk SVM. Selain itu dapat disimpulkan SVM OvO dengan menggunakan fitur unigram memiliki performa lebih baik dibandingkan dengan SVM OvO dengan menggunakan fitur bigram.]]>
Copyrights © 2022
