Optimasi Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function (RBF) Menggunakan Metode Particle Swarm Optimization Untuk Analisis Sentimen
DOI:
https://doi.org/10.25126/jtiik.2025129317Kata Kunci:
TF-IDF, Support Vector Machine, Particle Swarm Optimization, RBF, SentimentAbstrak
Di era digital, aplikasi Financial Technology (Fintech) telah menjadi bagian penting dalam kehidupan sehari-hari masyarakat. Kemudahan dan efisiensi yang ditawarkan oleh aplikasi Fintech menarik jutaan pengguna, yang aktif memberikan umpan balik dan ulasan di platform seperti Google Play Store. Ulasan ini menjadi sumber informasi berharga bagi pengembang untuk memahami persepsi pengguna, mengidentifikasi masalah, dan meningkatkan kualitas layanan. Penelitian ini bertujuan mengevaluasi efektivitas algoritma Particle Swarm Optimization (PSO) dalam meningkatkan akurasi analisis sentimen pada algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Data ulasan dikumpulkan melalui web scraping dari komentar di Google Play untuk tiga aplikasi Fintech, yaitu Flip, Neobank, dan Bank Jago. Tahapan pemrosesan meliputi pelabelan, preprocessing untuk membersihkan data, dan pembobotan kata menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency). Teknik Random Oversampling diterapkan untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan bahwa optimasi parameter dengan PSO mampu meningkatkan kinerja analisis sentimen, dengan peningkatan rata-rata sebesar 11,33% untuk setiap aplikasi. PSO juga meningkatkan akurasi model dalam menghadapi tantangan data tidak seimbang, memberikan wawasan yang lebih dalam bagi pengembang aplikasi untuk meningkatkan layanan.
Abstract
Financial technology (Fintech) applications have become part of people's daily lives in the digital era. The convenience and efficiency offered by Fintech applications have attracted millions of users, who actively provide feedback and reviews on platforms such as the Google Play Store. These reviews are an important source of information for application developers to understand user perceptions, identify problems, and improve service quality. The study investigates the effectiveness of the Particle Swarm Optimization (PSO) method for balanced and unbalanced datasets and how well it improves sentiment analysis accuracy when applied to the Support Vector Machine (SVM) algorithm when using Radial Basis Function (RBF) kernel. We conducted web scraping to collect user review data from Google Play for three FinTech applications: Flip, Neobank, and Bank Jago as research objects. Following data collection, the review data underwent preprocessing steps, such as word weighting using the TF-IDF (Term Frequency-Inverse Document Frequency), labeling, and preprocessing to clean the data. Random Oversampling resolved the dataset's class imbalance, making all classes representative in the study. The results of this study indicate that parameter optimization with PSO can improve the performance of sentiment analysis on the subjects studied. Furthermore, based on the results of SVM testing using parameter optimization of the PSO algorithm, an average performance increase of 11.33% was obtained for each application that had been analyzed. The results also show that PSO improves model accuracy in sentiment analysis with imbalanced data challenges, providing deeper insights for application developers to improve services.
Downloads
Referensi
ALENZI, B.M. et al. (2022) ‘Automatic Annotation Performance of TextBlob and VADER on Covid Vaccination Dataset’, Intelligent Automation and Soft Computing, 34(2), pp. 1311–1331. Available at: https://doi.org/10.32604/iasc.2022.025861.
ANTARA (2024) BI: Transaksi perbankan digital Juli 2024 tumbuh sebesar 30,50 persen, Online. Available at: https://www.antaranews.com/berita/4276551/bi-transaksi-perbankan-digital-juli-2024tumbuh-sebesar-3050-persen (Accessed: 10 August 2024).
ARSI, P., WAHYUDI, R. AND WALUYO, R. (2021) ‘Optimasi SVM Berbasis PSO pada Analisis Sentimen Wacana Pindah Ibu Kota Indonesia’, Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(2), pp. 231–237. Available at: https://doi.org/10.29207/resti.v5i2.2698.
BAREKSA (2024) BI : Nilai Transaksi Digital Banking Bisa Tumbuh 23,2% di 2024, Online. Available at: https://www.bareksa.com/berita/saham/2023-11-30/bi-nilai-transaksi-digital-banking-bisa-tumbuh-232-di-2024 (Accessed: 10 August 2024).
CHANDRA, M.A. AND BEDI, S.S. (2021) ‘Survey on SVM and their application in image classification’, International Journal of Information Technology (Singapore), 13(5). Available at: https://doi.org/10.1007/s41870-017-0080-1.
CHAPMAN, P. et al. (2000) ‘CRISP-DM -Cross-Industry Standard Process for Data Mining- 1.0 Step-by-step data mining guide.’, CRISP-DM Consortium, p. 76. Available at: https://www.the-modeling-agency.com/crisp-dm.pdf.
GOPI, A.P. et al. (2023) ‘Classification of tweets data based on polarity using improved RBF kernel of SVM’, International Journal of Information Technology (Singapore), 15(2), pp. 965–980. Available at: https://doi.org/10.1007/s41870-019-00409-4.
HITAM, N.A., ISMAIL, A.R. AND SAEED, F. (2019) ‘An Optimized Support Vector Machine (SVM) based on Particle Swarm Optimization (PSO) for Cryptocurrency Forecasting’, Procedia Computer Science, 163, pp. 427–433. Available at: https://doi.org/10.1016/j.procs.2019.12.125.
IBRAHIM, Y., OKAFOR, E. AND YAHAYA, B. (2021) ‘Optimization of RBF-SVM hyperparameters using genetic algorithm for face recognit’, Nigerian Journal of Technology, 39(4), pp. 1190–1197. Available at: https://doi.org/10.4314/njt.v39i4.27.
IN (2023) Digital Banking Tumbuh 13,48% Dengan Nilai Transaksi Rp 58.478 Triliun di 2023, Online. Available at: http://www.wantiknas.go.id/id/berita/digital-banking-tumbuh-1348-dengan-nilai-transaksi-rp-58478-triliun-di-2023 (Accessed: 10 August 2024).
LI, Y., WANG, Z. AND DAI, H. (2023) ‘Improved Parkinsonian tremor quantification based on automatic label modification and SVM with RBF kernel’, Physiological Measurement, 44(2). Available at: https://doi.org/10.1088/1361-6579/acb8fe.
MACHOVÁ, K. et al. (2020) ‘Lexicon-based sentiment analysis using particle swarm optimization’, Electronics (Switzerland), 9(8), pp. 1–22. Available at: https://doi.org/10.3390/electronics9081317.
METODE, M. et al. (2022) ‘Analisis Sentimen Ulasan Pengguna Pada Aplikasi Google Classroom’, 4221, pp. 221–229
MURSIANTO, G.A., WIDIYANTO, D. AND WAHYONO, B.T. (2022) ‘Analisis Sentimen Ulasan Pengguna Pada Aplikasi Google Classroom Menggunakan Metode SVM Dan Seleksi Fitur PSO’, Informatik : Jurnal Ilmu Komputer, 18(3), p. 221. Available at: https://doi.org/10.52958/iftk.v18i3.4685.
NATALIA, D. AND SHIHAB, M. (2018) ‘Public Relations Strategies to Built Financial Technology (Fintech) Awareness The lKoinworksr Way’, 260(Icomacs), pp. 254–257. Available at: https://doi.org/10.2991/icomacs-18.2018.62.
NGUYEN, N.K. AND VU, P.T. (2022) ‘A Novel Combination of Kernel Radial Basis Function and Finite Element Methods for 2-D Time-Harmonic Eddy Current Problems’, IEEE Transactions on Magnetics, 58(1). Available at: https://doi.org/10.1109/TMAG.2021.3127651.
SCHRÖER, C., KRUSE, F. AND GÓMEZ, J.M. (2021) ‘A systematic literature review on applying CRISP-DM process model’, in Procedia Computer Science, pp. 526–534. Available at: https://doi.org/10.1016/j.procs.2021.01.199.
SEPTIANI, K. (2022) ‘Perbandingan Analisis Sentimen Terhadap Pembayaran Digital “Go-Pay” Dan “Ovo” Di Media Sosial Twitter Menggunakan Metode Naive Bayes Dan Word Cloud’, Jurnal Ilmu Data, 2(10), p. 1
XIA, X. et al. (2020) ‘Triple Archives Particle Swarm Optimization’, IEEE Transactions on Cybernetics, 50(12), pp. 4862–4875. Available at:https://doi.org/10.1109/TCYB.2019.2943928
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).