IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN PADA ULASAN RUMAH MAKAN

Semakin terkenalnya suatu rumah makan berkat ulasan pengunjung pada platform digital seperti Google Maps & Tripadvisor menjadi sumber informasi penting bagi pengunjung. Ulasan tersebut berisi banyak sekali penilaian dari pengalaman pengunjung. Namun, volume ulasan yang besar menyulitkan analisis manual, yang mengakibatkan kurang efektif dan efisien. Oleh karena itu, dibutuhkan pendekatan analisis sentimen menggunakan metode pembelajaran mesin. Penelitian ini mengambil studi kasus Rumah Makan Bebek Sinjay, salah satu kuliner populer di Bangkalan, Madura, yang banyak mendapatkan ulasan dari pengunjung diberbagai platform digital. Metode yang digunakan adalah Support vector Machine (SVM) yang merupakan algoritma pembelajaran mesin yang digunakan dalam analisis sentimen untuk mengklasifikasikan opini dalam sebuah teks. SVM bekerja dengan mencari hyperplane terbaik yang memisahkan kelas sentimen berdasarkan fitur teks yang diolah. Proses analisis dimulai dengan Scraping data dari Google Maps dan Tripadvisor kemudian hasil data Scraping tersebut dilakukan Cleaning Data kemudian melakukan labeling secara biner positif atau negatif pada ulasan, lalu dilanjut preprocessing data yang meliputi Case Folding, Remove Punctuation, Tokenization, Normalization, Stopword Removal, Stemming, dan ekstraksi fitur menggunakan teknik TF-IDF. Setelah itu, fitur-fitur tersebut digunakan untuk membangun representasi vektor dari teks yang akan dianalisis. Kemudian SVM digunakan untuk klasifikasi sentimen, yang menentukan apakah opini tersebut bersifat positif atau negatif. Kemudian model dievaluasi menggunakan Confusion Matrix, Accuracy, Precision dan Recall, serta F1-score. Penelitian ini menghasilkan akurasi yang cukup tinggi, yang diperoleh dari metode SVM dengan berbagai kernel, yaitu kernel linear, kernel RBF, kernel polynomial, dan kernel sigmoid. Nilai akurasi tertinggi didapat dari kernel sigmoid dengan nilai akurasi sebesar 89%, kemudian kernel terbaik kedua dari kernel RBF dengan nilai 88%, lalu kernel terbaik ketiga didapat dari kernel linear dengan nilai akurasi 87%, dan kernel terendah didapat dari kernel polynomial dengan nilai akurasi 83%. Dari hasil tersebut, kernel sigmoid dipakai untuk memprediksi data baru untuk mengetahui ulasan tersebut termasuk ke kelas positif atau kelas negatif, sehingga dapat membantu pengelola dalam memahami persepsi pelanggan dan meningkatkan kualitas produk serta layanan.