PENINGKATAN KINERJA METODE SUPPORT VECTOR MACHINE (SVM) PADA ANALISIS SENTIMEN BERBASIS ASPEK ULASAN RUMAH MAKAN

Perkembangan platform digital seperti Google Maps mendorong meningkatnya jumlah ulasan pelanggan terhadap rumah makan yang memuat berbagai aspek penilaian, seperti makanan, pelayanan, lingkungan, dan harga. Ulasan tersebut sering kali mengandung lebih dari satu aspek dengan polaritas sentimen yang berbeda dalam satu teks sehingga menyulitkan proses analisis secara manual. Oleh karena itu, diperlukan analisis sentimen berbasis aspek yang mampu mengidentifikasi sentimen pada setiap aspek secara otomatis. Penelitian ini bertujuan untuk meningkatkan kinerja metode Support Vector Machine (SVM) pada analisis sentimen berbasis aspek ulasan rumah makan dengan memanfaatkan teknik representasi kata Word2Vec dan IndoBERT. Data yang digunakan sebanyak 4.433 ulasan pelanggan hasil web scraping Google Maps. Setiap ulasan diklasifikasikan ke dalam empat aspek, yaitu makanan, pelayanan, lingkungan, dan harga, dengan dua polaritas sentimen, positif dan negatif. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa parameter c dan gamma memiliki pengaruh yang lebih besar dibandingkan parameter degree dalam meningkatkan performa model. Selain itu, representasi kata IndoBERT memberikan kinerja yang lebih baik dibandingkan Word2Vec. Kombinasi terbaik diperoleh pada SVM kernel RBF dengan representasi kata IndoBERT yang menghasilkan Accuracy sebesar 0,8975, Precision sebesar 0,7514, Recall sebesar 0,6629, dan F1-Score sebesar 0,6648. Hasil tersebut menunjukkan bahwa pemilihan representasi kata dan parameter yang tepat dapat meningkatkan kinerja analisis sentimen berbasis aspek pada ulasan rumah makan.