DOI: 10.26418/justin.v10i4.

56664
Vol. 10, No. 4, Oktober 2022

p-ISSN : 2460-3562 / e-ISSN : 2620-8989

Analisis Sentimen Citayam Fashion Week menggunakan

Support Vector Machine
Ichsan Firmansyah#1, B. Herawan Hayadi#2
#
Universitas Potensi Utama
JL. KL. Yos Sudarso Km. 6,5 No. 3-A, Kota Medan, Sumatera Utara
1ichsanfirmansyah1989@gmail.com
2b.herawan.hayadi@gmail.com

Abstrak
Fashion show merupakan salah satu ajang untuk mengekspresikan diri dalam bentuk busana, dan juga sebagai
wadah bagi seseorang untuk menyampaikan pesan tertentu bagi komunitas disekitarnya. Pergelaran peragaan
busana Citayam Fashion Week yang cukup trending di media sosial, memberikan beberapa respon dari netizen,
khususnya di media sosial tweeter. Penelitian ini bertujuan untuk menganalisa sentimen netizen yang
dikumpulkan dari hasil crawling tweet media sosial Twitter, yang kemudian dianalisis nilai-nilai sentimen di
dalamnya. Nilai-nilai ini kemudian dikelompokkan menggunakan algoritma k-means clustering, untuk seterusnya
digunakan sebagai kategori target dalam proses klasifikasi menggunakan algoritma support vector machine. Hasil
yang diperoleh dalam penelitian ini adalah dari tiga cluster yang dibentuk, 38,6% respon dari tweet menyatakan
sentimen positif, 40,4% menyatakan sentimen netral, dan 21% menyatakan respon negatif. Hasil klasifikasi
menggunakan algoritma SVM menunjukkan akurasi, presisi dan sensitivitas yang cukup baik untuk masing-masing
cluster yang terbentuk, dengan rata-rata nilai sebesar 98,75%, 98,96%, dan 97,48%.
Kata kunci: Analisis Sentimen, Tweeter, K-Means Clustering, Support Vector Machine

Analysis of Citayam Fashion Week Sentiment Using Support

Vector Machine
Abstract
Fashion shows are an event to express themselves in the form of clothing, and also as a place for someone to convey
a certain message to the surrounding community. The Citayam Fashion Week fashion show, which was quite
trending on social media, gave some responses from netizens, especially on Twitter social media. This study aims
to analyze netizen sentiments collected from the results of crawling Twitter social media tweets, which are then
analyzed for the sentiment values in it. These values are then grouped using the k-means clustering algorithm, and
then used as target categories in the classification process using the support vector machine algorithm. The results
obtained in this study are from the three clusters formed, 38.6% of responses from tweets expressed positive
sentiments, 40.4% expressed neutral sentiments, and 21% expressed negative responses. The classification
results using the SVM algorithm show good accuracy, precision and sensitivity for each cluster formed, with
average values of 98.75%, 98.96%, and 97.48%.
Keywords: Sentiment analysis, tweeter, k-means clustering, support vector machine

I. PENDAHULUAN dianalisa bagaimana reaksi masyarakat, khususnya netizen

di media sosial Twitter, terhadap gelaran peragaan busana
Fashion show (peragaan busana) bukanlah sekedar
jalanan ini.
memajang pakaian yang dikenakan oleh manusia, namun
Media sosial merupakan salah satu wadah bagi
memiliki makna yang lebih mendalam, khususnya dalam
masyarakat, khususnya kawula muda, dalam mengakses
hal mengekspresikan diri dan pengalaman hidup [1].
informasi, pengetahuan atau sekedar digunakan untuk
Sebagai ajang untuk mengekspresikan diri, khususnya di
berkomunikasi dengan rekan sejawatnya [3]. Dengan
dalam sebuah komunitas, fashion show sudah berkembang
menggunakan analisis sentimen, informasi-informasi yang
dari sekedar sebagai sebuah lifesytle, menjadi the language
ada di postingan media sosial, khususnya yang berbentuk
of fashion, dimana fashion show merupakan wadah bagi
teks, dapat digali, diekstrak, dan kemudian dimanfaatkan
seseorang untuk menyampaikan pesan tertentu [2]. Menilik
untuk memperoleh opini masyarakat terkait topik tertentu
fenomena fashion show, khususnya yang sedang trending
[4]. Output sentimen analisis berupa sentimen yang bernilai
saat ini, yaitu Citayam Fashion Week, menarik untuk
positif, netral, maupun negatif dari sebuah topik atau

Submitted 29-07-2022; Revised 20-09-2022; Accepted 20-09-2022 513

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 10 , No. 4 , Oktober 2022
permasalahan tertentu, setelah terlebih dahulu melalui
proses pre-processing text seperi case folding, tokenisasi,
filtering, dan stemming [5]. Dengan memanfaatkan teknik-
tenik information text retrieval untuk proses filtering
seperti stopwords, pembobotan kata, dan peletakan kata,
informasi yang diperoleh dapat diteruskan sebagai input
bagi proses data mining untuk mengklasifikasikan data-
data yang ada di dalam sebuah dataset [6].
Clustering merupakan salah satu penerapan data mining
yang berfungsi untuk mengelompokkan data ke dalam
kelompok-kelompok yang berbeda, berdasarkan tingkat
kedekatannya [7]. Sebagai salah satu algoritma clustering,
k-means clustering mampu mengubah sekumpulan data
yang belum diberi label atau target sebelumnya, menjadi
data yang memiliki label melalui proses pengelompokkan
berdasarkan nilai jarak kedekatan masing-masing data
terhadap cluster yang dibentuk [8]. Beberapa penelitian
sudah membuktikan bahwa algoritma ini sangat baik untuk
dikombinasikan dengan algoritma lain yang membutuhkan
label atau target pada data di dalam dataset, seperti
kombinasi dengan algoritma C4.5, decision tree, dan naïve
bayes dalam klasifikasi citra daun Tin [9], kombinasi
dengan algoritma random forest, support vector machine
(SVM), dan k-medoids dalam klasifikasi bunga Iris [10],
serta kombinasi dengan algoritma J48, random forest, dan
k-nearest neighbors pada pengenalan iris mata manusia
[11]. Berdasarkan penelitian-penelitian ini, algoritma k-
means clustering digunakan untuk mengelompokkan nilai
sentimen di dalam tweet sehingga diperoleh kategori target
berupa sentimen positif, netral, dan negatif, yang kemudian
diolah melalui proses klasifikasi menggunakan algoritma
SVM.
Proses klasifikasi SVM dilakukan dengan cara
memisahkan data menggunakan sebuah hyperplane,
menjadi dua kelas, yaitu positif dan negatif, berdasarkan
nilai kedekatan masing-masing vektor terhadap hyperplane
yang diperoleh [12]. SVM merupakan algoritma yang
populer digunakan dalam masalah klasifikasi karena
akurasinya yang sangat baik, seperti penelitian klasifikasi
kanker payudara yang menghasilkan rata-rata nilai akurasi
sebesar 96,4% [13], penentuan jurusan siswa SMK dengan
nilai akurasi sebesar 89% [14], dan klasifikasi peserta JISC
dengan nilai akurasi sebesar 95% [15].
Pada penelitian ini, hasil klasifikasi sentimen
masyarakat terhadap Citayam Fashion Week akan
dievaluasi menggunakan 10-fold cross validation, untuk
memperoleh nilai akurasi, presisi dan sensitivitas dari
model yang dihasilkan, sehingga dapat diukur seberapa
baik performanya. Selain itu, penelitian ini juga bertujuan
untuk menganalisa respon masyarakat, khususnya netizen
Indonesia, terhadap adanya pergeleran busana Citayam
Fashion Week, yang dikumpulkan dari tweet media sosial
Twitter.
II. METODOLOGI
Penelitian ini menggunakan Twitter API untuk
mengumpulkan data tweet yang dibutuhkan di dalam
penelitian. Dengan menggunakan widget Twitter yang
disediakan aplikasi Orange 3 data mining, digunakan tiga
Korespondensi : Ichsan Firmansyah
kata kunci, yaitu “citayam”, “fashion week” dan “citayam
fashion week” dalam proses pengumpulan tweet.
Tweet yang diperoleh kemudian difilter menggunakan
widget Select Rows, untuk membuang tweet yang tidak
menggunakan Bahasa Indonesia, dan hasilnya kemudian di
pre-process untuk memperoleh token-token yang akan
dianalisa.
Dengan memanfaatkan widget Preprocessing Text yang
disediakan oleh aplikasi Orange 3, pre-processing pada
penelitian ini dilakukan melalui tiga tahapan, yaitu:
1) Transformasi: Pada proses ini, masing-masing
tweet ditransformasi menjadi bentuk huruf kecil, kemudian
menghilangkan kata-kata yang mengandung html, serta
membuang kata-kata yang mengandung http atau https.
2) Tokenisasi: Pada proses ini, digunakan pre-
trained Twitter model yang disediakan oleh aplikasi
Orange 3, agar kata-kata yang mengandung simbol “#” dan
“@” tidak hilang.
3) Filtering: Pada proses ini, dilakukan filter
terhadap kata-kata yang tidak mengandung makna
sentimen di dalam Bahasa Indonesia, dengan memilih opsi
Bahasa Indonesia pada bagian Stopwords. Selanjutnya
dilakukan filterisasi terhadap kata-kata yang berbentuk
angka numerik, dan akhirnya digunakan filterisasi Regexp
(reguler expression), untuk memisah tweet menjadi kata-
kata berbentuk token.
Data Transformasi Transformasi
Tweet Huruf Kecil Hapus html
Tweet
Stopwords Pre-trained Transformasi
Indonesia Twitter Model Hapus url
Filter Filter
Token
Numerik Regexp
Gambar 1. Pre-processing text
Widget Sentiment Analysis selanjutnya digunakan untuk
menghitung nilai sentimen dari masing-masing tweet, yang
dapat bernilai positif, nol, ataupun negatif. Pada tahapan ini
digunakan opsi pre-trained Multilangual Sentiment model
yang disediakan oleh aplikasi Orange 3, dalam Bahasa
Indonesia.
Nilai sentimen yang diperoleh dari proses ini digunakan
sebagai fitur dalam proses clustering menggunakan
algoritma k-means clustering. Pada tahapan ini, digunakan
parameter K = 3, sesuai dengan target respon sentimen
yang diinginkan, yaitu sentimen positif, netral dan negatif.
Untuk menentukan kategori masing-masing cluster yang
dihasilkan (C1, C2, dan C3), dihitung jumlah masing-
masing sentimen yang ada pada masing-masing cluster,
dengan sentimen terbanyak digunakan sebagai kategori
untuk cluster tersebut. Sebagai contoh, jika cluster C1
memiliki anggota 224 sentimen netral dan 16 sentimen
bernilai negatif, maka C1 dikategorikan sebagai cluster
untuk sentimen netral. Demikian seterusnya untuk cluster
C2 dan C3, digunakan proses yang sama.
514
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 10 , No. 4 , Oktober 2022

14640 melalui transformasi Parse html, dan menjadi 13153

melalui transformasi Remove urls.
Untuk proses tokenisasi menggunakan pre-trained
Tweeter model, 13153 token dari proses transformasi
berkurang menjadi 12286.
Untuk proses Filtering, 12286 token dari proses
tokenisasi berkurang menjadi 9760 melalui filterisasi
Stopwords Bahasa Indonesia, menjadi 9628 melalui
filterisasi Numbers, dan diperoleh token akhir sebanyak
7737 melalui filterisasi Regexp.
Gambar 2. Clustering sentimen TABEL III
HASIL PRE-PROCESSING TEXT
Setelah memperoleh masing-masing kategori cluster,
nilai-nilai ini digunakan sebagai target dalam proses Tahapan Token
Un-processed 14656
klasifikasi menggunakan algoritma SVM, dengan fitur Lowercase 14656
berupa nilai sentimen masing-masing tweet, Number of Parse html 14640
Likes dan Number of Retweet. Remove urls 13153
Tweet Tokenization 12286
TABEL I
Stopwords Indonesia 9760
SAMPEL DATASET
Numbers 9628
Nilai Number of Number of Kategori Regexp 7737
Sentimen Likes Retweet
10 0 149 C2 Dengan menggunakan widget Sentiment Analysis,
0 0 8 C1 dipilih opsi Multilangual Sentiment Bahasa Indonesia,
20 0 13 C2
0 0 13 C1
untuk memperoleh nilai sentimen positif, netral dan negatif
10 0 13 C2 dari masing-masing tweet. Dari proses ini, diperoleh 246
10 0 0 C2 tweet yang dideteksi tergolong sentimen positif, 216 tweet
10 0 101 C2 yang tergolong sentimen netral, dan 132 tweet yang
8.33333 0 101 C2 tergolong sentimen negatif.
10 37 11 C2
20 0 11 C2 TABEL IIIII
HASIL NILAI SENTIMEN
Dataset ini kemudian diklasifikasi menggunakan Sentimen Jumlah
algoritma SVM, dengan kernel RBF, nilai cost (C) = 0,1, Positif 246
dan nilai gamma (γ) = 0,1. Kernel RBF digunakan untuk Netral 216
mentransformasikan nilai-nilai yang diperoleh dari fitur- Negatif 132
fitur dataset menjadi dimensi yang lebih tinggi, dengan
menggunakan persamaan (1) [16]: Hasil nilai sentimen ini kemudian di clustering
𝐾𝑅𝐵𝐹 (𝑥, 𝑦) = 𝑒𝑥𝑝(−𝛾|𝑥. 𝑦|2 ), 𝛾 > 0 (1) menggunakan algoritma k-means clustering, dengan tiga
Hasil klasifikasi menggunakan algoritma SVM ini cluster untuk memperoleh target dalam proses klasifikasi
kemudian dievaluasi menggunakan 10-fold cross selanjutnya. Diperoleh hasil bahwa dari 240 tweet yang
validation, untuk memperoleh nilai akurasi, presisi, dan dikelompokkan sebagai C1, 12 tweet merupakan tweet
sensitivatas, menggunakan persamaan (2) sampai (4) [17]. bernilai sentimen positif, 224 tweet merupakan tweet
𝑇𝑃+𝑇𝑁 bernilai sentimen netral, dan 4 tweet merupakan tweet
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∗ 100% (2)
𝑇𝑃+𝐹𝑃+𝐹𝑁+𝑇𝑁 bernilai sentimen negatif. Dari 229 tweet yang
𝑇𝑃 dikelompokkan sebagai C2, 229 tweet merupakan tweet
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = ∗ 100% (3)
𝑇𝑃+𝐹𝑃
bernilai sentimen positif, 0 tweet merupakan tweet bernilai
𝑇𝑃
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑎𝑠 = ∗ 100% (4) sentimen netral, dan 0 tweet merupakan tweet bernilai
𝑇𝑃+𝐹𝑁
sentimen negatif. Dari 125 tweet yang dikelompokkan
sebagai C3, 0 tweet merupakan tweet bernilai sentimen
III. HASIL DAN PEMBAHASAN
positif, 0 tweet merupakan tweet bernilai sentimen netral,
Data hasil crawling media sosial Twitter dengan kata dan 125 tweet merupakan tweet bernilai sentimen negatif.
kunci “citayam”, “fashion week” dan “citayam fashion Dari hasil tersebut, dapat disimpulkan bahwa C1
week” dibatasi pada 2000 tweet yang digunakan sebagai merupakan cluster untuk sentimen netral, C2 merupakan
dataset. Dataset ini kemudian di filter menggunakan widget cluster untuk sentimen positif, dan C3 merupakan cluster
Select Rows, untuk memilih tweet yang berbahasa untuk sentimen negatif.
Indonesia saja. Hasil dari proses ini adalah, dari 2000 tweet
yang diperoleh, hanya terdapat 594 tweet yang dikenali
sebagai Bahasa Indonesia.
Hasil pre-processing transformasi 594 tweet ini adalah
berkurangnya 14656 token awal yang terdeteksi menjadi
14656 setelah melalui transformasi Lowercase, menjadi

Korespondensi : Ichsan Firmansyah 515

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 10 , No. 4 , Oktober 2022

TABEL IVV masyarakat yang bersikap menolak. Dari hasil penelitian

HASIL CLUSTERING
ini juga dapat disimpulkan bahwa nilai sentimen (baik itu
Cluster Sentimen yang positif, netral maupun negatif) dapat digunakan
Positif Netral Negatif Total sebagai target dalam proses klasifikasi, setelah terlebih
C1 12 224 4 240 dahulu dikelompokkan berdasarkan persentase kedekatan
C2 229 0 0 229 antar data.
C3 0 0 125 125
DAFTAR PUSTAKA
Hasil clustering ini digunakan sebagai target dalam
[1] B. Barry, “Enclothed knowledge: The fashion show as a method of
proses klasifikasi menggunakan MLP, dimana untuk fitur- dissemination in arts-informed research,” Forum Qual.
fiturnya digunakan Number of Likes dan Number of Sozialforsch., vol. 18, no. 3, 2017, doi: 10.17169/fqs-18.3.2837.
Retweets dari isi tweet, serta nilai sentimen dari proses [2] T. Y. Trisnawati, “Fashion sebagai Bentuk Ekspresi Diri dalam
clustering sebelumnya. Untuk proses klasifikasi, dari Komunikasi,” J. Messenger, vol. 3, no. 2, p. 36, 2016, doi:
10.26623/themessenger.v3i2.268.
konfigurasi kernel RBF dengan nilai C = 0,1, dan nilai γ = [3] A. S. Hutagalung, A. B. P. Negara, and E. E. Pratama, “Aplikasi
0,1, diperoleh tabel confusion matrix yang menunjukkan Pendeteksi Cyberbullying Terhadap Komentar Postingan Media
perbandingan antara hasil prediksi klasifikasi dengan nilai Sosial Instagram dengan Metode Naïve Bayes Classifier Berbasis
aktual pada data. Website,” J. Sist. dan Teknol. Inf., vol. 9, no. 3, p. 364, 2021, doi:
10.26418/justin.v9i3.44843.
TABEL V [4] S. Mandasari, B. H. Hayadi, and R. Gunawan, “Analisis Sentimen
HASIL CONFUSION MATRIX Pengguna Transportasi Online Terhadap Layanan Grab Indonesia
Menggunakan Multinomial Naive Bayes Classifier,” J. Teknol. Sist.
Predicted Σ Inf. dan Sist. Komput. TGD, vol. 5, no. 2, pp. 118–126, 2022.
C1 C2 C3 [5] L. Ardiani, H. Sujaini, and T. Tursina, “Implementasi Sentiment
Aktual

C1 229 7 4 240 Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota

C2 0 229 0 229 Pontianak,” J. Sist. dan Teknol. Inf., vol. 8, no. 2, p. 183, 2020, doi:
0 0 125 125 10.26418/justin.v8i2.36776.
C3
[6] K. Dalimunthe and B. H. Hayadi, “Information Text Retrieval
Σ 229 236 129
Untuk Pencarian Data Penilaian Mengacu Pada Saran Dari
Pengunjung Menggunakan Vector Space Model,” J. Comput. Sci.
Dari hasil confusion matrix pada Tabel V, diperoleh nilai Inf. Technol., vol. 3, no. 2, pp. 73–79, 2022, [Online]. Available:
akurasi, presisi, dan sensitivitas untuk target C1, C2 dan C3 https://jurnal.ulb.ac.id/index.php/JCoInT/article/view/3110.
[7] K. F. Margolang, M. M. Siregar, S. Riyadi, and Z. Situmorang,
dengan menggunakan persamaan (2) sampai (4): “Analisa Distance Metric Algoritma K-Nearest Neighbor Pada
583 Klasifikasi Kredit Macet,” J. Inf. Syst. Res., vol. 3, no. 2, pp. 118–
𝐴𝑘𝑢𝑟𝑎𝑠𝑖𝐶1 = ∗ 100% = 98,14%
594 124, 2022, doi: 10.47065/josh.v3i2.1262.
229 [8] E. Irfiani and S. S. Rani, “Algoritma K-Means Clustering untuk
𝑃𝑟𝑒𝑠𝑖𝑠𝑖𝐶1 = ∗ 100% = 100% Menentukan Nilai Gizi Balita,” J. Sist. dan Teknol. Inf., vol. 6, no.
229
4, p. 161, 2018, doi: 10.26418/justin.v6i4.29024.
229 M. Qomaruddin, D. Riana, and A. Anton, “Segmentasi K-Means
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑎𝑠𝐶1 = ∗ 100% = 95,41% [9]
240 Citra Daun Tin Dengan Klasifikasi Ciri Gray Level Co Occurance
587 Matrix,” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 223, 2021, doi:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖𝐶2 = ∗ 100% = 98,8% 10.26418/justin.v9i2.44139.
594 [10] R. Das, M. S. Ansari, and M. Kanchana, “IRIS - Flower
229 Classification,” High Technol. Lett., vol. 27, no. 4, pp. 654–659,
𝑃𝑟𝑒𝑠𝑖𝑠𝑖𝐶2 = ∗ 100% = 100% 2021, doi: http://www.gjstx-e.cn/gallery/65-april2021asdfg.pdf.
229 [11] B. T. Chicho, A. M. Abdulazeez, D. Q. Zeebaree, and D. A. Zebari,
229 “Machine Learning Classifiers Based Classification For IRIS
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑎𝑠𝐶2 = ∗ 100% = 97,03% Recognition,” Qubahan Acad. J., vol. 1, no. 2, pp. 106–118, 2021,
236 doi: 10.48161/qaj.v1n2a48.
590 [12] Y. M. Hutahaean and A. W. Wijayanto, “Klasifikasi Rumah
𝐴𝑘𝑢𝑟𝑎𝑠𝑖𝐶3 = ∗ 100% = 99,32% Tangga Penerima Subsidi Listrik di Provinsi Gorontalo Tahun 2019
594 dengan Metode K-Nearest Neighbor dan Support Vector Machine,”
125 J. Sist. dan Teknol. Inf., vol. 10, no. 1, pp. 63–68, 2022, [Online].
𝑃𝑟𝑒𝑠𝑖𝑠𝑖𝐶3 = ∗ 100% = 96,89% Available:
129 https://jurnal.untan.ac.id/index.php/justin/article/view/51210.
125 [13] J. Kusuma, B. H. Hayadi, and R. Rosnelly, “Komparasi Metode
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑎𝑠𝐶3 = ∗ 100% = 100% Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM)
125 untuk Klasifikasi Kanker Payudara,” MIND (Multimedia Artif.
Intell. Netw. Database) J., vol. 7, no. 1, pp. 51–60, 2022, [Online].
Available:
IV. KESIMPULAN https://ejurnal.itenas.ac.id/index.php/mindjournal/article/view/690
9.
Berdasarkan hasil clustering dan klasifikasi yang [14] N. A. Sinaga, Ramadani, K. Dalimunthe, M. S. A. A. Lubis, and R.
diperoleh pada penelitian ini, dari total 594 tweet mengenai Rosnelly, “Komparasi Metode Decision Tree, KNN, dan SVM
Citayam Fashion Week, terdapat 38,6% tweet yang Untuk Menentukan Jurusan Di SMK,” J. Sist. Komput. dan Inform.,
vol. 3, no. 2, pp. 94–100, 2021, doi: 10.30865/json.v3i2.3598.
memiliki respon positif, 40,4% tweet yang memiliki respon [15] M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi,
netral, dan 21% tweet yang memiliki respon negatif. Dari Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random
persentase ini, dapat dikatakan bahwa masyarakat Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol.
cenderung bersikap netral dan bahkan mendukung adanya 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.
[16] I. S. Al-Mejibli, J. K. Alwan, and D. H. Abd, “The effect of gamma
Citayam Fashion Week, dibandingkan dengan persentase value on support vector machine performance with different

Korespondensi : Ichsan Firmansyah 516

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 10 , No. 4 , Oktober 2022

kernels,” Int. J. Electr. Comput. Eng., vol. 10, no. 5, pp. 5497–5506,
2020, doi: 10.11591/IJECE.V10I5.PP5497-5506.
[17] J. T. Samudra, B. H. Hayadi, and P. S. Ramadhan, “Komparasi 3
Metode Algoritma Klasifikasi Data Mining Pada Prediksi Kenaikan
Jabatan,” J. Teknol. Sist. Inf. dan Sist. Komput. TGD, vol. 5, no. 2,
pp. 127–133, 2022, [Online]. Available:
https://ojs.trigunadharma.ac.id/index.php/jsk/article/view/5642.

Korespondensi : Ichsan Firmansyah 517