<![CDATA[Content creator telah menjadi profesi baru yang menjanjikan semenjak pesatnya perkembangan sosial media. Untuk menghasilkan sebuah konten yang dapat dinikmati penonton seorang content creator harus bisa memahami penontonnya. Salah satu cara yang dapat dilakukan adalah dengan mengetahui emosi penonton melalui komentar atau dalam machine learning dikenal juga dengan istilah klasifikasi emosi. Support Vector Machine merupakan algoritme supervised learning yang memiliki keunggulan dalam menggeneralisasi model secara baik dengan memanfaatkan ruang fitur berdimensi tinggi. Penelitian ini menggunakan algoritme Support Vector Machine dan Information Gain sebagai metode seleksi fitur. Dataset yang digunakan adalah komentar YouTube yang telah dilabeli dengan kelas senang, sedih dan marah. Proses klasifikasi emosi ini terdiri dari text preprocessing, seleksi fitur dengan Information Gain, ekstraksi fitur dengan TF-IDF (Term Frequency - Inverse Document Frequency) dan proses klasifikasi menggunakan algoritme Support Vector Machine. Proses pengujian menggunakan metode Stratified K-Fold dengan nilai k = 5. Hasil dari pengujian yang diperoleh adalah sebuah model Support Vector Machine dengan nilai akurasi 88,07% dan f1-measure 88,06%. Pada penelitian ditemukan bahwa penggunaan fitur seleksi Information Gain tidak meningkatkan performa dari model.]]>
Copyrights © 2023
