<![CDATA[Dalam penelitian ini, digunakan algoritma LinearSVC dari metode Support Vector Machine (SVM) untuk analisis sentimen terhadap data ulasan IMDb. Proses ekstraksi fitur dilakukan dengan TF-IDF Vectorizer. Tantangan utama terletak pada penentuan nilai hyperparameter, khususnya parameter regulasi (C), yang sangat menentukan kualitas hasil prediksi. Untuk mengatasi hal ini, penelitian ini menerapkan algoritma Particle Swarm Optimization (PSO) guna menemukan nilai C terbaik. Eksperimen menunjukkan bahwa tanpa optimasi, model SVM hanya mencapai akurasi 89,48%, tetapi setelah PSO diterapkan, nilai optimal C ditemukan sebesar 0,1612, yang meningkatkan akurasi model hingga 92,03% pada data uji. Selain itu, metrik evaluasi lainnya juga mengalami peningkatan signifikan, dengan Precision sebesar 91,29%, Recall 92,92%, dan F1-Score 92,10%. Signifikansi peningkatan ini menunjukkan bahwa metode PSO secara konsisten mengungguli pendekatan konvensional yang mengandalkan pemilihan hyperparameter secara manual atau grid search, yang sering kali lebih lambat dan kurang akurat dalam menemukan nilai optimal. Hasil penelitian ini membuktikan bahwa optimasi hyperparameter menggunakan PSO dapat meningkatkan performa SVM secara signifikan dalam klasifikasi sentimen. Pendekatan ini tidak hanya relevan untuk analisis ulasan IMDb tetapi juga dapat diterapkan pada berbagai tugas NLP lainnya, seperti analisis opini publik dan ulasan produk, menjadikannya solusi yang efisien dalam meningkatkan akurasi klasifikasi teks.]]>
Copyrights © 2025
