| Transaksi e-commerce di Indonesia semakin meningkat, hal tersebut memberikan peluang pada produsen untuk memasarkan produk dan memudahkan konsumen untuk berbagi aktivitas, salah satunya memberikan ulasan produk.Ulasan produk berperan penting untuk membangun kepercayaan konsumen ketika menentukan keputusan dalam pembelian produk. Dengan meningkatnya jumlah ulasan, membuat calon konsumen kesulitan untuk menarik kesimpulan yang tepat. Oleh karena itu, diperlukan analisis sentimen untuk membantu calon konsumen untuk menarik kesimpulan. Analisis sentimen bertujuan untuk menyimpulkan, mengindentifikasi sentimen pada data dan mengklasifikasikan polaritas. Algoritma Support Vector Machine (SVM) banyak diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen. Support Vector Machine (SVM) dipilih karena mampu mengidentifikasi hyperplane terpisah yang dapat memaksimalkan margin antara 2 kelas yang berbeda. Akan tetapi, Support Vector Machine memiliki kekuranganpada pemilihan parameter atau fitur, maka diterapkan seleksi fitur Particle Swarm Optimization untuk meningkatkan hasil akurasi. Hasil penerapan Support Vector Machine (SVM) memiliki nilai akurasi sebesar 83,33% dengan nilai AUC sebesar 0.910 yang merupakan kategori excellent classification. Sedangkan, Optimasi algoritma Support Vector Machine menggunakan Particle Swarm Optimization (PSO) memiliki nilai akurasi sebesari 88.89% dengan nilai AUC sebesar 0.946 yang merupakan kategori excellentclassification.Berdasarkan hal tersebut, terbukti bahwa penerapan Particle Swarm Optimization (PSO) dapat meningkatkan kinerja algoritma Support Vector Machine (SVM). |
