Komparasi Metode K-Nearest Neighbor Dan Support Vector Machine Menggunakan Particle Swarm Optimization Untuk Analisis Sentimen Produk Skincare Skintific

Abstract

Seringkali banyak kesalahan saat memilih skincare karena belum mengenali jenis wajah kita maupun hanya tergiur karena
produk tersebut sedang viral. Dari pembahasan ini banyak pro dan kontra yang disampaikan melalui sosial media mengenai produk
skincare. Melalui penelitian ini akan dilakukan Analisis Sentimen terhadap produk skincare menggunakan metode K-Nearest
Neighbour dan Support Vector Machine yang akan memberikan hasil uji dan hasilnya akan di optimalkan dengan fitur selection yaitu
Particle Swarm Optimization. Adapun tahapan yang dilakukan dalam penelitian ini adalah pengumpulan data, pelabelan data, pre-
processing data, pembobotan, penerapan metode, pengujian dan diakhiri hasil/evaluasi. Tujuan dari penelitian agar hasil uji akan
menentukan skincare yang baik supaya para konsumen tidak salah lagi memilih jenis skincare dan bertujuan untuk menentukan apakah
penggunaan skincare bersentimen positif atau negatif dan diharapkan bisa menghasilkan nilai akurasi yang baik yang sudah dilakukan
oleh 2 metode tersebut, dan didapatkan hasilnya dari metode Support Vector Machine 91,37% sedangkan K-Nearest Neighbour 70,78%.
Setelah ditingkatkan nilai akurasinya dengan fitur seleksi maka hasil akurasi yang dihasilkan dari metode Support Vector Machine
94,90% sedangkan K-Nearest Neighbour 72,75%. Lalu di dapatkan 667 sentimen positif dan 76 sentimen negatif.