ANALISIS KINERJA ALGORITMA PARTICLE SWARM OPTIMIZATION DAN FIREFLY ALGORITHM UNTUK OPTIMISASI SOFT VOTING CLASSIFIER PADA SISTEM KLASIFIKASI SENTIMEN ULASAN SMARTPHONE

Latar Belakang. Meningkatnya volume ulasan buatan pengguna di platform digital memerlukan metode analisis sentimen yang akurat dan mampu menangani data tekstual yang berisik serta kaya konteks. Pengembangan sistem analisis sentiment semakin beragam salah satunya terdapat metode Soft Voting yang dapat mengungguli beberapa klasifikasi individu. Namun, terdapat tantangan pendekatan yaitu kebutuhan untuk menyempurnakan berbagai parameter termasuk bobot untuk mencapai kinerja yang optimal. Tujuan. Penelitian ini mengusulkan optimisasi soft voting menggunakan dua algoritma metaheuristic, yaitu Particle Swarm Optimization dan Firefly Algorithm. Metode. Penelitian ini melakukan analisis sentiment terhadap ulasan Smartphone dengan pendekatan Optimisasi Soft Voting menggunakan dua algoritma metaheurstik. Soft voting melibatkan lima klasifikasi individu, yaitu SVM, RF, XGBoost, Logistic Regression dan Multi-Layer Perceptron. Baik PSO dan FA mengoptimalkan bobot yang diterapkan pada output probabilitas klasifikasi individu. Kedua algoritma metaheuristic ini tidak digabung pada saat optimisasi soft voting. Hasil. Soft Voting mencapai akurasi 0,811536, setelah menerapkan Particle Swarm Optimization, akurasi meningkat secara signifikan menjadi 0,821932, mewakili kinerja tertinggi di antara semua metode yang dievaluasi. Demikian pula, Algoritma Firefly meningkatkan akurasi menjadi 0,821596, menunjukkan efektivitasnya dalam mengoptimalkan kontribusi pengklasifikasi. Kesimpulan. Kinerja yang erat antara PSO dan FA menunjukkan bahwa kedua algoritme efektif untuk mengoptimalkan ansambel soft voting dalam tugas klasifikasi sentimen. Pendekatan yang diusulkan memberikan solusi yang kuat untuk menangani data tekstual yang kompleks dan berisik dengan sumber daya yang terbatas.