Optimasi Algoritma Support Vector Machine untuk Analisis Sentimen dengan Bayesian Optimization

Abstrak

Penelitian ini menguji pengaruh Optimasi Bayesian dalam meningkatkan kinerja, efisiensi komputasi, dan keberlanjutan model Analisis Sentimen Berbasis Aspek menggunakan Support Vector Machine (SVM). Dataset terdiri dari 988 ulasan pelanggan tentang Candi Borobudur, diklasifikasikan ke dalam enam dimensi: Daya Tarik, Fasilitas, Aksesibilitas, Citra Visual, Harga, dan Sumber Daya Manusia digunakan untuk membandingkan dua scenario yaitu Baseline SVM dan SVM yang ditingkatkan dengan Bayesian Optimization (BO). Metrik penting yang digunakan meliputi akurasi, durasi komputasi, penggunaan energi, dan emisi karbon. Hasil penelitian menunjukkan bahwa BO secara nyata meningkatkan akurasi, terutama pada aspek yang sulit seperti Fasilitas (dari 0,7294 menjadi 0,8682) dan Harga (dari 0,8047 menjadi 0,9576). Aspek yang paling rumit yaitu visual image karena jumlah dataset yang sangat minim (tidak seimbang), mencapai peningkatan akurasi dari 0,6729 menjadi 0,72. Selain itu, BO mengurangi waktu pelatihan, terutama untuk tugas-tugas yang membutuhkan sumber daya yang besar seperti pada aspek visual image, mengurangi waktu pelatihan dari 13,04 detik menjadi 9,4 detik. Pengurangan substansial dalam penggunaan energi dan emisi CO₂ terlihat selaras dengan prinsip-prinsip pembelajaran mesin yang berkelanjutan. Kemampuan adaptasi hiperparameter SVM, dengan kernel linear berkinerja baik dalam tugas-tugas yang lebih sederhana, sementara kernel polinomial dan sigmoid meningkatkan kinerja untuk bagian yang lebih kompleks. BO secara substansial mengurangi keterbatasan Baseline SVM, menawarkan solusi yang tangguh, efisien, dan ramah lingkungan untuk ABSA. Penelitian mendatang dapat mengeksplorasi lebih banyak peningkatan untuk tugas-tugas kompleks untuk meningkatkan kinerja dan efisiensi.