SENTIMEN ANALISIS TERHADAP OPINI MASYARAKAT MENGENAI KELANGKAAN MINYAK GORENG PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE (SVM)

Diamantha, Elmira (2025) SENTIMEN ANALISIS TERHADAP OPINI MASYARAKAT MENGENAI KELANGKAAN MINYAK GORENG PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE (SVM). Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (207kB)
	Text BAB 2.pdf Download (565kB)
	Text BAB 3.pdf Download (1MB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (172kB)
	Text LAMPIRAN.pdf Download (225kB)

Abstract

Permasalahan kelangkaan minyak goreng di Indonesia sering menjadi perbincangan di kalangan masyarakat, terutama di media sosial. Sentimen yang muncul terkait isu ini diekspresikan dalam berbagai bentuk, baik secara positif maupun negatif. Untuk memahami persepsi masyarakat secara lebih mendalam, diperlukan analisis sentimen yang mampu mengelompokkan opini-opini yang terdapat di media sosial. Penelitian ini bertujuan untuk menerapkan dua algoritma pembelajaran mesin, yaitu Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM), dalam mengevaluasi opini publik di Twitter mengenai kelangkaan minyak goreng. Dalam penelitian ini, data dikumpulkan melalui teknik web scraping, di mana tweet yang membahas isu kelangkaan minyak goreng diperoleh dari platform Twitter dan dijadikan sebagai sumber data. Langkah awal dalam analisis sentimen adalah preprocessing atau pembersihan data, yang mencakup stemming, tokenization, dan stopword removal. Setelah melalui tahap pemrosesan data, tweet diklasifikasikan ke dalam dua kategori sentimen, yaitu positif dan negatif, dengan menggunakan metode Naïve Bayes Classifier dan Support Vector Machine. Hasil penelitian menunjukkan bahwa kedua algoritma ini mampu melakukan analisis sentimen dengan tingkat akurasi yang cukup baik. Berdasarkan analisis yang dilakukan, algoritma Naïve Bayes Classifier dan SVM mengklasifikasikan 303 tweet sebagai sentimen positif dan 275 tweet sebagai sentimen negatif. Dari segi akurasi, Support Vector Machine memiliki tingkat akurasi yang lebih tinggi, yaitu 74%, dibandingkan dengan Naïve Bayes Classifier, yang memiliki tingkat akurasi 66%. Temuan ini juga menunjukkan bahwa mayoritas opini pengguna Twitter mengenai kelangkaan minyak goreng bersifat negatif, dengan banyak pengguna yang mengeluhkan ketersediaan dan harga produk tersebut.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > TS Manufactures
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	19 Jun 2025 04:40
Last Modified:	19 Jun 2025 04:40
URI:	http://repository.unas.ac.id/id/eprint/13027

Actions (login required)

View Item