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:	Users 30 not found.
Date Deposited:	19 Jun 2025 04:40
Last Modified:	19 Jun 2025 04:40
URI:	https://repository.unas.ac.id/id/eprint/13027

Actions (login required)

View Item