KLASIFIKASI KOMENTAR PENGGUNA TWITTER/X TERHADAP KEGAGALAN TIMNAS INDONESIA LOLOS PIALA DUNIA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

Bakhri, Syamsul (2026) KLASIFIKASI KOMENTAR PENGGUNA TWITTER/X TERHADAP KEGAGALAN TIMNAS INDONESIA LOLOS PIALA DUNIA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM). Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (906kB)
	Text BAB I.pdf Download (240kB)
	Text BAB II.pdf Download (426kB)
	Text BAB III.pdf Download (542kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (206kB)
	Text LAMPIRAN.pdf Download (727kB)

Abstract

Penelitian ini bertujuan memahami perasaan masyarakat di media sosial Twitter/X tentang kegagalan Timnas Indonesia lolos ke Piala Dunia, yang memunculkan beragam opini publik dalam bentuk teks tidak terstruktur. Banyaknya komentar dengan variasi bahasa, singkatan, dan noise membuat analisis manual kurang efisien, sehingga diperlukan pendekatan text mining untuk mengklasifikasikan sentimen secara otomatis. Data komentar dikumpulkan melalui web scraping menggunakan Harvest. Tahap praproses mencakup pembersihan tautan, tanda baca, dan emotikon, case folding, tokenisasi, stopword removal, serta stemming. Pelabelan sentimen dilakukan secara otomatis menggunakan TextBlob berdasarkan nilai polarity untuk membentuk tiga kelas sentimen, yaitu positif, netral, dan negatif. Representasi fitur teks dibangun dengan TF-IDF, kemudian proses klasifikasi dilakukan menggunakan Support Vector Machine (SVM) kernel linear. Dataset dibagi dengan rasio 80:20 menggunakan stratified split agar proporsi kelas tetap seimbang pada data latih dan uji. Evaluasi model dilakukan menggunakan confusion matrix serta metrik Accuracy, macro-Precision, macro-Recall, macro-F1 score, dan ROC-AUC (OvR macro). Hasil pengujian menunjukkan SVM mencapai Accuracy 0,7588; macro-Precision 0,7647; macro-Recall 0,7557; macro-F1 score
0,7584; dan ROC-AUC 0,9599, dengan 475 prediksi benar dari 626 data uji. Dibandingkan Naive Bayes dan KNN, SVM memberikan performa terbaik pada metrik utama. Dengan demikian, kombinasi TF-IDF dan SVM efektif untuk klasifikasi sentimen multikelas pada data Twitter/X yang berdimensi tinggi dan
bervariasi.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 08:05
Last Modified:	02 Jun 2026 08:05
URI:	https://repository.unas.ac.id/id/eprint/16357

Actions (login required)

View Item