BAB V HASIL DAN PEMBAHASAN
5.3 Perbandingan Hasil Pengujian
38
Tabel 5.11 Hasil Prediksi SVM-Grid Search dan SVM kernel linear Pada 4 Skenario
40
Tabel 5.11 Hasil Prediksi SVM-Grid Search dan SVM kernel linear Pada 4 Skenario (Lanjutan)
BAB VI
KESIMPULAN DAN SARAN 6.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan, maka diperoleh kesimpulan sebagai berikut :
1. Metode Support Vector Machine yang dioptimasi oleh Grid Search menghasilkan nilai akurasi yang lebih baik dibanding metode Support Vector Machine kernel linear dengan nilai akurasi 88% dibandingkan hasil akurasi dari metode Support Vector Machine kernel linear dengan nilai akurasi 84%.
2. Model terbaik dalam 4 skenario prediksi adalah metode Support Vector Machine yang dioptimasi oleh Grid Search pada skenario 4 (90:10) dengan kernel rbf mendapatkan hasil yaitu ada 19 data hoax yang diprediksi hoax, ada 2 data hoax yang diprediksi bukan hoax dan data bukan hoax yang diprediksi hoax ada 2 serta data bukan hoax yang diprediksi bukan hoax ada 9 sedangkan model yang kurang baik didapat pada metode Support Vector Machine yang dioptimasi oleh Grid Search kernel sigmoid dengan skenario 2 (70:30) mendapatkan hasil yaitu ada 34 data hoax yang diprediksi hoax, ada 24 data hoax yang diprediksi bukan hoax dan data bukan hoax yang diprediksi hoax ada 6 serta data bukan hoax yang diprediksi bukan hoax ada 33.
6.2 Saran
Penelitian ini masih memiliki kekurangan yang kedepannya masih dapat ditingkatkan kembali guna mencapai hasil yang optimal. Beberapa saran untuk penelitian selanjutnya, diantaranya :
1. Menggunakan metode Hypertuning selain Grid Search, seperti Random Search.
2. Pada crawling data website detik.com diharapkan bisa menggunakan code dengan maksimal, dimana website detik.com hanya dapat menampilkan maksimal halaman 1.111 hal ini mengakibatkan penggunaan code yang kurang maksimal saat pengambilan data
42
DAFTAR PUSTAKA
Aji, R.P. and Sarmini (2019) ‘Pelatihan Identifikasi dan Pelaporan Berita Hoax melalui portal “turnbeckhoax.id” kepada Masyarakat Desa Kedungwringin Pelatihan Identifikasi dan Pelaporan Berita Hoax melalui portal “turnbackhoax.id” kepada Masyarakat Desa Kedungwringin’, Jurnal Pengabdian Mitra Masyarakat (JPMM), 1(2), pp. 120–127.
Cortes, C. and Vapnik, V. (1995) ‘Support Vector Machine’, in. Mach. Learn, pp.
1303–1308.
Deolika, A., Kusrini and Luthfi, E.T. (2019) ‘Analisis Pembobotan Kata Pada Klasifikasi Text Mining’, Jurnal Teknologi Informasi, 3(2), p. 179.
Available at: https://doi.org/10.36294/jurti.v3i2.1077.
Dewan Pers (2019) Data Perusahaan Pers, Dewan Pers. Available at:
https://dewanpers.or.id/data/perusahaanpers.
Enri, U. (2018) ‘Optimasi Parameter Support Vector Machins untuk Prediksi Nilai Tukar Rupiah Terhadap Dollar Amerika Serikat’, Jurnal gerbang, 8(1), pp. 65–72.
Feldman, R. and Sanger, J. (2007) The Text Mining Handbook : Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.
Available at:
https://books.google.co.id/books?hl=id&lr=&id=U3EA_zX3ZwEC&oi=f nd&pg=PR1&dq=Feldman,+R.,+%26+Sanger,+J.+(2007)+The+text+mi ning+handbook:+advanced+approaches+in+analyzing+unstructured+dat a,+Cambridge+university+press&ots=2OBKObIwKH&sig=8q7FEoUq3 YR7-7P-Zoqh.
Feriyawan, C.Y. and Danoedoro, P. (2012) ‘Kajian Kemampuan Jaringan Syaraf Tiruan Algoritma Backpropagation untuk Klasifikasi Penggunaan Lahan Menggunakan Citra ALOS AVNIR-2’, Jurnal Bumi Indonesia, pp. 101–
110. Available at: https://core.ac.uk/download/pdf/295175909.pdf.
Fitrani, A.S. and Novarika, W. (2019) ‘Implementation of Data Mining Using Naïve Bayes Classification Method To Predict Participation of Governor And Vocational Governor Selection in Jemirahan Village , Jabon District’,
International Journal of Informatics and Computer Science, 3(2), pp. 66–
79. Available at: https://doi.org/10.30865/ijics.v3i2.1391.
Hutter, F., Kotthoff, L. and Vanschoren, J. (2019) Automated Machine Learning, Data Science in Chemistry. The Springer Series. Available at:
https://doi.org/10.1515/9783110629453-084.
Isnain, A.R., Sihabuddin, A. and Suyanto, Y. (2020) ‘Bidirectional Long Short Term Memory Method and Word2vec Extraction Approach for Hate Speech Detection’, IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 14(2), p. 169. Available at:
https://doi.org/10.22146/ijccs.51743.
Juditha, C. (2019) ‘Literasi Informasi Melawan Hoaks Bidang Kesehatan di Komunitas Online’, Jurnal ILMU KOMUNIKASI, 16(1), pp. 77–90.
Available at: https://doi.org/10.24002/jik.v16i1.1857.
Juditha, C. (2020) ‘People Behavior Related To The Spread Of Covid-19’s Hoax’, Journal Pekommas, 5(2), p. 105. Available at:
https://doi.org/10.30818/jpkm.2020.2050201.
Kemdikbud (2016) Arti kata Berita, Kamus Besar Bahasa Indonesia. Available at:
https://kbbi.kemdikbud.go.id/entri/berita.
Kemp, S. (2019) DIGITAL 2019: INDONESIA, Data Reportal. Available at:
https://datareportal.com/reports/digital-2019-indonesia.
Kemp, S. (2020) DIGITAL 2020: INDONESIA, Data Reportal. Available at:
https://datareportal.com/reports/digital-2020-indonesia.
Kominfo (2020) Kominfo Mencatat Sebanyak 1.028 Hoaks Tersebar terkait COVID-19, Kementerian Komunikasi dan Informatika RI. Available at:
https://kominfo.go.id/content/detail/28536/kominfo-mencatat-sebanyak- 1028-hoaks-tersebar-terkait-covid-19/0/sorotan_media.
Lin, S.W. et al. (2008) ‘Particle swarm optimization for parameter determination and feature selection of support vector machines’, Expert Systems with Applications, 35(4), pp. 1817–1824. Available at:
https://doi.org/10.1016/j.eswa.2007.08.088.
Moreno, G.A.L. et al. (2018) ‘Design of experiments and response surface methodology to tune machine learning hyperparameters, with a random
44
forest case-study’, in Expert Systems with Applications. ELSEVIER, pp.
195–205. Available at:
https://www.sciencedirect.com/science/article/abs/pii/S09574174183031 78.
Muhammad Hafiz Azhar, Putra Pandu Adikara and Yuita Arum Sari (2018)
‘Analisis Sentimen pada Ulasan Hotel dengan Fitur Score Representation dan Identifikasi Aspek pada Ulasan Menggunakan K-Modes’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(9), pp. 2777–
2782.
Nasution, M.R.A. and Hayaty, M. (2019) ‘Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter’, Jurnal Informatika, 6(2), pp. 226–235. Available at:
https://doi.org/10.31311/ji.v6i2.5129.
Naufal, M.F. (2017) ‘Peramalan Jumlah Wisatawan Mancanegara Yang Datang Ke Indonesia Berdasarkan Pintu Masuk Menggunakan Metode Support Vector Machine (SVM)’, DEPARTEMEN SISTEM INFORMASI [Preprint]. Available at: https://core.ac.uk/download/pdf/291462998.pdf.
Nugraha, W. and Sasongko, A. (2022) ‘Hyperparameter Tuning pada Algoritma Klasifikasi dengan Grid Search’, Jurnal Sistem Informasi, 11(2), pp. 391–
401.
Nurrohmat, M.A. and SN, A. (2019) ‘Sentiment Analysis of Novel Review Using Long Short-Term Memory Method’, IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 13(3), p. 209. Available at:
https://doi.org/10.22146/ijccs.41236.
Oxford University (2022) Oxford Learners Dictionaries, Oxford University Press.
Available at:
https://www.oxfordlearnersdictionaries.com/definition/english/hoax_1?q
=hoax.
Pratama, E.E. and Atmi, R.L. (2020) ‘A Text Mining Implementation Based on Twitter Data to Analyse Information Regarding Corona Virus in Indonesia’, Journal of Computers for Society, 1(1), pp. 91–100. Available at: https://ejournal.upi.edu/index.php/JCS/article/view/25502.
Purba, A.H. and Situmorang, Z. (2017) ‘Analisis Perbandingan Algoritma Rabin- Karp Dan Levenshtein Distance Dalam Menghitung Kemiripan Teks’, 02, pp. 24–32.
Rahmawati, D.B. et al. (2020) ‘Text Mining To Detect Plagiarism In E-Learning System Using Rabin Karp Algorithm’, Ire 1701953 Iconic Research and Engineering Journals, 3(8), pp. 183–191. Available at:
https://ejournal.upi.edu/index.php/JCS/article/view/25502.
Ropikoh, I.A. et al. (2021) ‘Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Berita Hoax Covid-19’, Journal of Applied Informatics and Computing, 5(1), pp. 64–73. Available at:
https://doi.org/10.30871/jaic.v5i1.3167.
Santosa, B. (2007) ‘Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis’, Graha Ilmu [Preprint].
Susilowati, E., Sabariah, M.K. and Gozali, A.A. (2015) ‘Implementasi Metode Support Vector Machine untuk Melakukan Klasifikasi Kemacetan Lalu Lintas Pada Twitter’, E-Proceeding of Engineering, 2(1), pp. 1478–1484.
Syarif, I., Prugel-Bennett, A. and Wills, G. (2016) ‘SVM Parameter Optimization using Grid Search and Genetic Algorithm to Improve Classification Performance’, TELKOMNIKA (Telecommunication Computing Electronics and Control), 14(4), p. 1502. Available at:
https://doi.org/10.12928/telkomnika.v14i4.3956.
Wibawa, A.P. et al. (2018) ‘Metode-metode Klasifikasi’, Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, 3(1), p. 134.
46
LAMPIRAN
Kode Program
1. Class CrawlingDetik
2. Class CrawlingTurnbackhoax
48
3. Class CombineAndRandomizer
4. Class Preprocessing
50
52
5. Class SVM-Grid
54
6. Class SVM