Word Embeddings Terbaik dalam Klasifikasi Sentimen Prosesor Intel Generasi ke-12 dengan Menggunakan Support Vector Machine - Dalam bentuk buku karya ilmiah

Seiring perkembangan zaman, teknologi juga berkembang, termasuk Intel generasi ke-12 yang dikabarkan memiliki kecepatan luar biasa. Hal ini sangat menguntungkan karena aplikasi yang digunakan semakin berat. Dengan Intel generasi ke-12, banyak pekerja yang tertarik untuk mengganti perangkat mereka, baik komputer maupun laptop, dengan generasi yang lebih baru untuk meningkatkan kinerja mereka. Informasi tentang kecepatan Intel generasi ke-12 ini banyak dibahas di media sosial seperti Youtube, menimbulkan pro dan kontra. Dari pro dan kontra ini, penulis dapat melakukan analisis sentimen, yaitu proses penggalian emosi dari teks komentar. Analisis Sentimen adalah proses penggalian emosi baik berupa teks komentar, audio, video, dan gambar. Analisis Sentimen memiliki beberapa tahapan yang perlu dilakukan yaitu Labelling terlebih dahulu untuk melabeli komentar yang positif, ataupun negatif. Selanjutnya akan dilakukan tahap Preprocessing yang terdiri dari Noise Removal yang berguna untuk menghilangkan simbol yang bernilai tidak signifikan, Lowercase yang berguna untuk mengubah huruf menjadi kecil, Tokenization yang berguna untuk merubah huruf menjadi komponen yang lebih kecil, Stopword Removal yang berguna untuk menghilangkan kata henti, Stemming yang berguna untuk menghilangkan kalimat pembantu, Word Embeddings yang berguna untuk mengubah setiap kata menjadi vektor. Kemudian dilanjutkan dengan klasifikasi menggunakan pemodelan machine learning Support Vector Machine yang training datanya berupa vektor dari setiap kata dan test datanya berupa polaritas dari setiap nilai sentimen dan hasilnya berupa classification report. Penelitian ini dibuat dengan tujuan untuk menganalisis Word Embeddings yang terbaik dalam klasifikasi sentimen Intel generasi ke-12 menggunakan Support Vector Machine. Berdasarkan hasil analisis sentimen pada model yang telah dibuat menunjukkan bahwa metode Word Embeddings GloVe menghasilkan hasil yang terbaik jika dibandingkan dengan metode Word Embeddings Word2Vec dan FastText, dengan melakukan pemodelan Support Vector Machine terbukti metode Word Embeddings GloVe memiliki hasil yang cukup akurat dan menunjukkan bahwa penelitian ini sesuai dengan yang diharapkan.