Please enable JavaScript.
Coggle requires JavaScript to display documents.
Optimasi Klasifikasi Sentimen Netral pada Ulasan Layanan Publik - Coggle…
Optimasi Klasifikasi Sentimen Netral pada Ulasan Layanan Publik
Algoritma Klasifikasi (Support Vector Machine)
(Ali Ahmad & Windu Gata, 2022) – Analisis sentimen Metaverse di Twitter menggunakan SVM dengan kernel Linear yang menghasilkan akurasi 87%.
(Yunanto & Yulianto, 2022) – Komparasi algoritma pada aplikasi PeduliLindungi, di mana SVM mengungguli Naive Bayes dengan akurasi 91%.
(Arsyah et al., 2024) – Penggunaan SVM dan TF-IDF untuk ulasan opini ruang publik dengan tingkat akurasi mencapai 92,8%.
(Umar et al., 2023) – Evaluasi performa data mining pada hashtag trending Twitter yang menunjukkan SVM lebih baik dibanding K-NN.
Transformasi Teks & Embedding Modern (IndoBERT/BERT)
(Wilie et al., 2020) – Pengembangan IndoNLU sebagai benchmark pemahaman bahasa Indonesia yang memperkenalkan keunggulan IndoBERT dalam konteks dua arah.
(Gozali et al., 2026) – Model hybrid IndoBERT-SVM pada fenomena #KaburAjaDulu yang mencapai performa state-of-the-art dengan akurasi 95,91%.
(Putri & Suparwito, 2026) – Membuktikan bahwa pelabelan ulasan IKN menggunakan IndoBERT menghasilkan akurasi 95,05%, mengungguli metode leksikon VADER.
(Wijaya et al., 2025) – Integrasi BERT dan SVM untuk deteksi kesehatan mental di media sosial dengan akurasi 93,49%.
Teknik Penyeimbangan Data (Oversampling)
(Switrayana et al., 2023) – Implementasi SMOTE-Tomek Links pada ulasan Kitabisa yang berhasil meningkatkan akurasi SVM secara drastis dari 72% menjadi 98%.
(Chairunnisa et al., 2022) – Penggunaan teknik SMOTE untuk menangani dataset tidak seimbang pada ulasan vaksinasi COVID-19 guna mencapai f1-score 90%.
Pemodelan Topik & Karakteristik Kelas Netral
(Asyhar et al., 2017) – Analisis ulasan Jenius yang mengidentifikasi bahwa sentimen netral (4,2%) didominasi kata-kata permintaan bantuan seperti "moga", "mohon", dan "bantu".
(Prastyo et al., 2024) – Studi pada aplikasi myIM3 yang mencatat kesulitan model SVM dalam mengklasifikasikan sentimen netral karena ambiguitas teks.
NOVELTY & KONTRIBUSI PENELITIAN JIHAN (Posisi Paling Bawah)
Hibridisasi Arsitektur Modern: Menggunakan Hybrid IndoBERT-SVM untuk menangkap makna semantik lebih dalam dibanding representasi tradisional (TF-IDF).
Optimasi Spesifik pada Kelas Minoritas (Netral): Berfokus pada ulasan netral menggunakan teknik SMOTE-Tomek Links agar ulasan permintaan bantuan tetap terdeteksi akurat.
Konteks Layanan Publik pada Dataset Kitabisa: Mengisi research gap pada analisis aplikasi layanan publik di Indonesia melalui akurasi sentimen netral.