KLASIFIKASI SENTIMEN KOMENTAR INSTAGRAM BERBAHASA INDONESIA MENGGUNAKAN SUPPORT VECTOR MACHINE

71150017, Adiel Julio (2019) KLASIFIKASI SENTIMEN KOMENTAR INSTAGRAM BERBAHASA INDONESIA MENGGUNAKAN SUPPORT VECTOR MACHINE. Bachelor thesis, Universitas Kristen Duta Wacana.

[img] Text (Skripsi Informatika)
71150017_bab1_bab5_daftarpustaka.pdf

Download (575kB)
[img] Text (Skripsi Informatika)
71150017_bab2-sd-bab4_lampiran.pdf
Restricted to Registered users only

Download (1MB) | Request a copy

Abstract

Media sosial adalah salah satu kebutuhan wajib bagi sebagian besar kalangan masyarakat. Salah satu media sosial yang popular adalah Instagram. Namun dari manfaat penggunaan Instagram tersebut, masih banyak pengguna yang belum memahami etika dalam bersosialisasi pada dunia maya. Hal tersebut tentunya menjadi salah satu peringatan bagi pengguna agar dapat mengurangi perbuatan yang merugikan tersebut. Dari masalah tersebut, analisis sentimen sangat diperlukan dalam menyaring komentar di media sosial, untuk mengetahui komentar yang bersifat negatif, positif, maupun netral. Dari analisis sentimen tersebut kita dapat mengetahui bagaimana sentimen seseorang berlaku terhadap akun tersebut. Dalam melakukan analisis sentimen diperlukan metode klasifikasi yang menunjang. Dalam penelitian ini, Penulis akan membuat sistem yang menerapkan analisis sentimen terhadap komentar di Instagram dengan menggunakan metode klasifikasi Support Vector Machine (SVM). Penulis meneliti akurasi metode SVM dalam mengklasifikasi sentimen. Penulis juga meneliti faktor yang mempengaruhi tingkat akurasi. Faktor yang akan diteliti berupa jumlah k dalam k-fold, penggunaan kernel, dan penggunaan stemmer dalam preprocessing. Berdasarkan hasil penelitian Penulis, didapatkan rata-rata akurasi terbaik dengan fitur kombinasi unigram dan bigram sebesar 76.307 %. Serta beberapa pengujian mendapatkan kesimpulan bahwa kernel polynomial kurang sesuai dalam mengklasifikasi dengan fitur tf-idf. Selain itu, penggunaan stemmer cukup mempengaruhi hasil pada kasus tertentu.

Item Type: Thesis (Bachelor)
Uncontrolled Keywords: Support Vector Machine, Analisis Sentimen, k-fold cross-validation, tf-idf, stemmer, n-gram
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
T Technology > T Technology (General)
Divisions: Fakultas Teknologi Informasi > Prodi Informatika
Depositing User: ms Dominggas Yembise - Keluar
Date Deposited: 19 Nov 2020 04:02
Last Modified: 23 Jun 2021 02:50
URI: http://katalog.ukdw.ac.id/id/eprint/519

Actions (login required)

View Item View Item