Analisis routing Loadbalance Multi Isp menggunakan Methode Methode Quality Of Service

Andrianto, Fiki (2024) Analisis routing Loadbalance Multi Isp menggunakan Methode Methode Quality Of Service. S2 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T2_2008048021_JUDUL__240326122205.pdf Download (810kB)
	Text (BAB I) T2_2008048021_BAB_I__240326105254.pdf Download (84kB)
	Text (BAB II) T2_2008048021_BAB_II__240326105254.pdf Restricted to Registered users only Download (388kB) | Request a copy
	Text (BAB III) T2_2008048021_BAB_III__240326105254.pdf Restricted to Registered users only Download (229kB) | Request a copy
	Text (BAB IV) T2_2008048021_BAB_IV__240326105254.pdf Restricted to Registered users only Download (557kB) | Request a copy
	Text (BAB V) T2_2008048021_BAB_V__240326105254.pdf Restricted to Registered users only Download (9kB) | Request a copy
	Text (Daftar Pustaka) T2_2008048021_DAFTAR_PUSTAKA__240326105254.pdf Download (145kB)
	Text (Lampiran) T2_2008048021_LAMPIRAN__240326105254.pdf Restricted to Registered users only Download (98kB) | Request a copy

Abstract

Dalam era perkembangan teknologi digital, sektor perdagangan e-commerce telah menjadi pusat bisnis dan belanja online. Sosial media X, telah menjadi platform bagi pelanggan untuk menyampaikan pengalaman mereka terkait layanan e-commerce. Sentimen yang terkandung dalam tweet pelanggan dapat memberikan wawasan penting tentang tingkat kepuasan atau ketidak puasan mereka terhadap sebuah layanan. Penggunaan Algoritma Machine Learning dalam analisis sentimen digunakan untuk mendeteksi kepuasan pelanggan apakah termasuk dalam komentar positif atau negatif. Tujuan penelitian ini adalah melakukan analisis sentimen terhadap kepuasan pelanggan melalui pengguna sosial media X menggunakan algoritma Machine Learning, guna identifikasi algoritma yang tepat dalam mengenali tweet pengunjung dalam kategori sentimen positif atau negatif terhadap tiga e-commerce online besar indonesia yaitu tokopedia, shopee, dan lazada.

Besarnya data yang dihasilkan oleh platform media sosial membuat analisis klasifikasi yang tepat diperlukan. Tahapan klasifikasi meliputi preprosesing, feature extraction and selection, split data clasifikasi dan evaluasi. Model svm linier dan non-linier dipilih untuk penelitian ini karena svm linier merupakan salah satu pilihan yang populer dalam dunia machine learning, terutama untuk menangani dataset yang besar dan fitur. Model svm linier dapat memberikan hasil yang baik dalam kasus-kasus dengan hubungan linier antara fitur dan label kelas. Sedangkan svm non-linier memiliki fleksibilitas untuk menangani hubungan yang kompleks dan tidak linier antara fitur dan label kelas. Oleh karena itu, penggunaan kedua model ini dapat memberikan pemahaman yang holistik tentang pola data yang kompleks dalam analisis sentimen pelanggan terhadap layanan e-commerce.

Hasil evaluasi menunjukkan bahwa model SVM dengan berbagai jenis kernel memberikan performa yang baik dalam memprediksi data. Kernel Linear, dengan akurasi tertinggi 94% pada rasio split 80%, menonjol dalam keseimbangan antara data pelatihan dan pengujian. Kernel Polynomial, meskipun sedikit lebih rendah dengan akurasi 93% pada rasio split 75%, masih menunjukkan kinerja yang solid. Kernel RBF memberikan hasil terbaik pada rasio split 90%, menunjukkan ketangguhan dalam menangani lebih banyak data pelatihan daripada pengujian. Terakhir, kernel Sigmoid juga menunjukkan konsistensi dengan akurasi tertinggi 94% pada rasio split 85%. Kesimpulannya, pemilihan kernel yang tepat bergantung pada karakteristik data tertentu, namun secara umum, SVM menunjukkan fleksibilitas dan kemampuan yang baik dalam berbagai situasi menangkap tanggapan pelanggan terhadap e-commerce pada platform sosial media X.

Item Type:	Thesis (S2)
Keyword:	SVM, machine learning, marketplace online, social media X
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisi / Prodi:	Master (Magister) > Master of Technology Informatica (Magister Teknologi Informatika)
Depositing User:	Sdr Tunggal Pribadi Perpustakaan UAD
Date Deposited:	24 Apr 2024 07:09
Last Modified:	24 Apr 2024 07:09
URI:	http://eprints.uad.ac.id/id/eprint/61975

Actions (login required)

View Item