AKBAR, Adira Rahmana (2025) Perbandingan Performa Penanganan Data Imbalance dan Kernel Pada Analisis Sentimen Ulasan Berbasis Support Vector Mechine. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (32kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (91kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (90kB)
	Text 4. KATA PENGANTAR.pdf Download (110kB)
	Text 6. ABSTRAK.pdf Download (7kB)
	Text 7. ABSTRACT.pdf Download (6kB)
	Text 8. DAFTAR ISI.pdf Download (56kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (92kB)

Abstract

Genshin Impact merupakan game RPG (role play game) yang dikembangkan oleh miHoYo
pada tahun 2020. Permainan ini telah menarik perhatian lebih dari 60 juta pemain di seluruh
dunia. Kepopuleran Genshin Impact membuatnya mendapatkan banyak ulasan dari pemain,
baik positif maupun negatif, yang dapat dianalisis untuk memahami persepsi pengguna
terhadap game Genshin Impact. Selain itu, pembaruan yang dilakukan secara berkala
menjadi faktor yang memicu beragam komentar dan opini dari para pemain. Beberapa
pemain mengapresiasi konten baru yang diberikan, sementara yang lain mengungkapkan
kritik terhadap mekanisme permainan, alur cerita, atau sistem gacha yang diterapkan.
Ulasan-ulasan yang diberikan para pemain memberikan wawasan penting bagi pengembang
mengenai kepuasan, harapan, serta kritik dari para pemain. Namun, dalam proses pelabelan
ulasan, jumlah data ulasan dengan sentimen positif dan negatif sering kali tidak seimbang.
Ketidakseimbangan ini dapat menyebabkan bias dalam pemodelan dan berdampak pada
akurasi hasil klasifikasi sentimen. Untuk mengatasi hal tersebut, penelitian ini menganalisis
ulasan game Genshin Impact menggunakan metode Support Vector Machine (SVM), dengan
fokus pada performa model dalam kondisi data yang tidak seimbang maupun setelah
dilakukan penyeimbangan. Melalui teknik oversampling dan pembobotan TF-IDF,
penelitian menguji model klasifikasi sentimen dengan variasi kernel yang berbeda, yaitu
kernel Linear, RBF, dan Polynomial. Hasil penelitian menunjukkan performa yang sangat
baik pada ketiga kernel SVM dengan nilai metrik evaluasi konsisten di atas 95%. Kernel
Linear dan RBF mencapai performa terbaik dengan nilai akurasi 98%, precision 99%, recall
99%, dan f1-score 99%, sementara kernel Polynomial memberikan performa yang sedikit
lebih rendah namun tetap memuaskan. Penyeimbangan data tidak memberikan dampak
signifikan terhadap performa model, yang mengindikasikan bahwa model SVM sudah
sangat baik dalam menangani data tidak seimbang pada kasus ini.
Kata kunci : Genshin Impact, SVM, Analisis Sentimen, Oversampling, Kernel

Actions (login required)

View Item