A Support Vector Machine Classification of Computational Capabilities of 3D Map on Mobile Device for Navigation Aid

Abubakar, Adamu; Mantoro, Teddy; Moedjiono, Sardjoeni; Ayu, Media Anugerah; Chiroma, Haruna; Waqas, Ahmad; Abdulhamid, Shafií Muhammad; Hamza, Mukhtar Fatihu; Gital, Abdulsalam Ya’u

doi:10.3991/ijim.v10i3.5056

Cited by 7 publications

(7 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The same experiment was repeated, but this time with Support Vector Machine as it is another popular and very frequently used classifier [32]. By using SVM, the following measures are achieved as shown in Table 7 Table 7 Table 7 shows that Naïve Bayes has achieved better accuracy than SVM.…”

Section: Results and Analysismentioning

confidence: 99%

Sentiment Analysis of Impact of Technology on Employment from Text on Twitter

Qaiser

Yusoff

Ahmad

et al. 2020

Int. J. Interact. Mob. Technol.

View full text Add to dashboard Cite

Many different studies are in progress to analyze the content created by the users on social media due to its influence and social ripple effect. Various content created on social media has pieces of information and user’s sentiments about social issues. This study aims to analyze people’s sentiments about the impact of technology on employment and advancements in technologies and build a machine learning classifier to classify the sentiments. People are getting nervous, depressed and even doing suicides due to unemployment; hence, it is essential to explore this relatively new area of research. The study has two main objectives 1) to preprocess text collected from Twitter concerning the impact of technology on employment and analyze its sentiment, 2) to evaluate the performance of machine learning Naïve Bayes (NB) classifier on the text. To achieve this, a methodology is proposed that includes 1) data collection and preprocessing 2) analyze sentiment, 3) building machine learning classifier and 4) compare the performance of NB and support vector machine (SVM). NB and SVM achieved 87.18% and 82.05% accuracy respectively. The study found that 65% of the people hold negative sentiment regarding the impact of technology on employment and technological advancements; hence people must acquire new skills to minimize the effect of structural unemployment.

show abstract

Section: Results and Analysismentioning

confidence: 99%

Sentiment Analysis of Impact of Technology on Employment from Text on Twitter

Qaiser

Yusoff

Ahmad

et al. 2020

Int. J. Interact. Mob. Technol.

View full text Add to dashboard Cite

show abstract

“…Support Vector Machine (SVM) merupakan salah satu contoh penerapan algoritma yang dapat digunakan untuk permasalahan klasifikasi, analisis regresi dan prediksi dengan menggunakan model secara linear dimana data terpisah menjadi dua buah atau lebih kelas yang terpisah berdasarkan nilai hyperplane optimal diantara masing-masing kelas. Hyperplane yang optimal merupakan nilai maksimum jarak antar kelas dalam suatu model [1].…”

Section: Support Vector Machine (Svm)unclassified

“…Pada dasarnya SVM merupakan algoritma yang digunakan untuk mengklasifikasi data yang linear namun pada kasus non-linear separable dataset pada algoritma SVM dapat dilakukan dengan menggunakan fungsi kernel. Pada algoritma SVM terdaoat empat jenis kernel yang dapat digunakan untuk melakukan klasifikasi diantaranya yaitu linear, polynomial, sigmoid dan rbf[1].…”

unclassified

Klasifikasi Sentimen Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan Algoritma Support Vector Machine dengan Seleksi Fitur Chi-Square

Chairunnisa

Ernawati

Santoni

2022

Informatik : Jurnal Ilmu Komputer

View full text Add to dashboard Cite

Upaya pemerintah untuk mengurangi penyebaran wabah virus corona yang semakin meluas hampir di setiap negara di dunia termasuk di Indonesia telah banyak dilakukan. Salah satu upaya yang telah dilakukan dengan memanfaatkan teknologi yang ada pada saat ini adalah membuat sebuah aplikasi bernama PeduliLindungi. Aplikasi ini bertujuan untuk melakukan tracing dan monitoring lokasi penyebaran virus corona sehingga dapat menurunkan kasus corona di Indonesia. Banyak ulasan yang diberikan oleh masyarakat terhadap aplikasi ini baik yang berupa kritik maupun kepuasan. Namun, untuk mengetahui seluruh ulasan yang diberikan tidak mudah. Oleh sebab itu, penelitian dilakukan dengan tujuan untuk mengetahui hasil sentimen masyarakat terhadap aplikasi PeduliLindungi. Analisis sentimen yang dilakukan dengan mengklasifikasikan ulasan menjadi ulasan positif dan ulasan negatif menggunakan algoritma Support Vector Machine dengan seleksi fitur chi-square. Pengumpulan data ulasan dilakukan dengan melakukan scrapping di google play dengan menggunakan bahasa pemrograman Python. Hasil dari klasifikasi sentimen terhadap aplikasi PeduliLindungi menghasilkan performa yang baik dan menghasilkan nilai akurasi sebesar 93%, recall sebesar 86%, precision sebesar 98%, specificity sebesar 98% dan f1-score sebesar 92%.

show abstract

“…SVM telah menunjukkan kinerja yang dapat diterima jika dibandingkan dengan metode lain, terutama bila digunakan untuk klasifikasi [4]. Pada prinsipnya SVM dapat secara efisien melakukan klasifikasi linier dan non-linier, dan metode didasarkan pada minimalisasi risiko struktural yang paling akurat untuk mengklasifikasikan teks karena berfokus pada kelas terpisah [5].…”

Section: Support Vector Machineunclassified

Analisis Sentiment Data Twitter Menggunakan Algoritma Support Vector Machine Dan Naive Bayes Terhadap Pemberitaan Perkembangan Pandemik Corona

Tanjung¹,

Lestari²

2021

IT JOURNAL

View full text Add to dashboard Cite

<p><em>Twitter merupakan salah satu media sosial yang sangat banyak digunakan untuk memberikan kritik akan sebuah pemberitaan atau masalah pribadi mereka.pada saat ini sedang banyak pembicaraan mengenai perkembangan virus corona di indonesia maupun di dunia, banyak media dunia yang memberikan pemberitaan melalui twitter dan ada pula para penggunaan yang memeberikan tanggapan terhadap pemberitaan tersebut. Maka dari itu pada penelitian ini dilakukannya analisis terhadap tweet atau tanggapan para pengguna twitter terhadap perkembangan atau isu pandemik korea. Penelitian ini dilkukan dengan cara memisahkan sentiment atau tanggapan yang negatif dan positf menggunakan algoritma naive bayes, dan Support Vector Machine ( SVM ). Hasil pengujian yang dilakukan dapat menunjukkan bahwa tingkat akurasi dengan term frequency memberikan hasil hasil akurasi yang lebih baik daripada akurasi dengan fitur TF-IDF. Metode Support Vector Machine menghasilkan akurasi yang lebih baik daripada metode Naive Bayes baik dalam klasifikasi sentimen maupun dalam klasifikasi kategori. Namun demikian, secara keseluruhan penggunaan metode Support Vector Machine dan Naive Bayes sama-sama memiliki performansi yang cukup baik untuk melakukan klasifikasi tweet.</em></p>

show abstract

A Support Vector Machine Classification of Computational Capabilities of 3D Map on Mobile Device for Navigation Aid

Cited by 7 publications

References 19 publications

Sentiment Analysis of Impact of Technology on Employment from Text on Twitter

Sentiment Analysis of Impact of Technology on Employment from Text on Twitter

Klasifikasi Sentimen Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan Algoritma Support Vector Machine dengan Seleksi Fitur Chi-Square

Analisis Sentiment Data Twitter Menggunakan Algoritma Support Vector Machine Dan Naive Bayes Terhadap Pemberitaan Perkembangan Pandemik Corona

Contact Info

Product

Resources

About