Page 41 - E-Skripsi Analisis Sentimen Terhadap Aplikasi Sapawarga Jabar Super Apps Pada Ulasan Google Play Store
P. 41
yang baik, SVM telah menjadi salah satu metode yang paling banyak digunakan.
Selain itu juga memiliki kemampuan untuk mempelajari pola klasifikasi data
untuk mencapai performa seimbang dengan akurasi tinggi (Pisner & Schnyer,
2020).
Cara kerja metode SVM yang ditunjukkan pada Gambar 2.2 diawali
dengan memetakan data ke dalam ruang n-dimensi training set, di mana “n”
adalah jumlah fitur dan nilai fitur koordinat nilai (Kovács & Ghous, 2020).
Selanjutnya mengidentifikasi hyperplane yang berfungsi untuk memisahkan set
data (mengklasifikasikan) ke dalam dua kelas yang berbeda secara optimal. SVM
mendapatkan hyperplane dengan melatih set data awal yang memisahkan data
dengan sempurna dan ditentukan oleh sekumpulan kecil vektor pendukung. Untuk
mengurangi kesalahan dalam memisahkan set data, SVM memaksimalkan margin
guna mengklasifikasikan data dengan baik.
Gambar 2. 2 Model SVM Linier (Pisner & Schnyer, 2020)
Secara teknis terdapat dua jenis hyperplane, yaitu SVM linier dan SVM
non-linier. SVM linier adalah hyperplane lurus dalam memisahkan dua label
support vector (Pisner & Schnyer, 2020). Hal ini menunjukkan kumpulan data
27
