KLASIFIKASI PELAYANAN KESEHATAN BERDASARKAN DATA SENTIMEN PELAYANAN KESEHATAN MENGGUNAKAN MULTICLASS SUPPORT VECTOR MACHINE (SVM)

Moh., Heri Setiawan (2023) KLASIFIKASI PELAYANAN KESEHATAN BERDASARKAN DATA SENTIMEN PELAYANAN KESEHATAN MENGGUNAKAN MULTICLASS SUPPORT VECTOR MACHINE (SVM). Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2029101012-COVER.pdf
Download (1MB)
[img] Text (ABSTRAK)
2029101012-ABSTRAK.pdf
Download (50kB)
[img] Text (BAB 1 PENDAHULUAN)
2029101012-BAB 1 PENDAHULUAN.pdf
Download (176kB)
[img] Text (BAB 2 KAJIAN TEORI)
2029101012-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (397kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2029101012-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (320kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2029101012-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (813kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2029101012-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (27kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2029101012-DAFTAR PUSTAKA.pdf
Download (439kB)
[img] Text (LAMPIRAN)
2029101012-LAMPIRAN.pdf
Download (314kB)

Abstract

Penelitian ini bertujuan untuk melakukan perbandingan Multiclass Support Vector fitur unigram dengan fitur bigram baik dengan pendekatan One versus One (OvO) maupun One versus Rest (OvR). Sumber data sentimen berasal dari data laporan survei kepuasan pelayanan puskesmas denpasar 2021 oleh Center for Public Health Innovation (CPHI) FK UNUD. Pemrosesan data melalui preprocessing data yang terdiri dari: casefolding, cleaning, tokenizing, stopwords, stemming, dan weighting. Pada proses weighting digunanan metode TF-IDF satu term/unigram dan dua term/bigram lalu kemudian diolah menggunakan Multiclass Support Vector Machine OvO dan OvR. KFold Cross Validation digunakan untuk membagi data latih dan data tes sekaligus memvalidasi model dengan jumlah 5 fold. Hasil yang didapatkan algoritma SVM OvO dan OvR dengan term unigram dan bigram dapat mengklasifikasikan data sentimen pelayanan kesehatan ke dalam 6 kelas yaitu: Netral, Pelayanan, Sarana dan Prasarana, Sumber Daya Manusia, Administrasi dan Manajemen, serta Peralatan. Hasil perbandingan klasifikasi didapatkan pendekatan dengan term unigram memiliki performa lebih baik jika dibandingkan dengan term bigram baik pada pendekatan OvO maupun OvR. Didapatkan juga perbandingan pendekatan OvO dan OvR pada term yang sama memiliki performa yang relatif sama.

Item Type: Thesis (Masters)
Uncontrolled Keywords: klasifikasi, SVM, OvO, OvR, TF-IDF
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: Moh. Heri Setiawan
Date Deposited: 11 Feb 2023 03:41
Last Modified: 11 Feb 2023 03:41
URI: http://repo.undiksha.ac.id/id/eprint/13782

Actions (login required)

View Item View Item