ABSTRAK ANALISIS PEMBOBOTAN TF-RF DAN W.IDF MENGGUNAKAN KLASIFIKASI SVM PADA KOLOM KOMENTAR EVALUASI DOSEN (Oleh : Riani Anggun Dwi Putri : Irwan Budiman, S.T, M. Kom dan Ahmad Rusadi A., S. Kom, M. Kom; 2021; Halaman)

Sentiment Analysis merupakan proses untuk memahami dan mengolah data tesktual secara otomatis untuk mendapatkan informasi sentiment yang terkandung dalam suatu opini. Dalam penelitiannya digunakan beberapa metode data mining yang salah satunya menggunakan algoritma pembobotan TF-RF dan W.IDF. Metode TF.RF adalah metode dari penggabungan dua metode, yaitu metode TF dan metode RF. Penggabungan dua metode ini diharapkan dapat menghasilkan performansi yang lebih baik. Persamaan TF-RF berasal dari TF-IDF, namun kelemahan dari TF-IDF yaitu tidak dapat merepresentasikan perbedaan dokumen positif dari sekumpulan dokumen negative. Sedangkan Weighted Inverse Document Frequency Weighted inverse document frequency (WIDF) adalah sebuah perluasan dari inverse document frequency (IDF) Salah satu bentuk data yang dapat digunakan dalam sentiment analysis yaitu Data Komentar Evaluasi Dosen. Data termasuk dalam kumpulan data teks berbahasa Indonesia yang dapat diolah menggunakan algoritma pembobotan TF – RF dan W.IDF. TF-RF merupakan salah satu metode yang ditingkatkan dari metode TF dan TF-IDF , sedangkan W.IDF sendiri merupakan metode hasil peningkatan dari IDF. Data yang telah dilakukan pembobotan akan dihitung hasil akurasinya dengan Support Vector Machine (SVM). Hasil pengujian dengan pembobotan TF-RF diperoleh nilai akurasi sebesar 81,98% dan W.IDF sebesar 78,85%.

Kata Kunci : Sentyment Analysis, Text Mining, Data Mining, TF-RF, W.IDF, Support Vector Machine