ANALISIS SENTIMEN TERHADAP TINGKAT KEPUASAN PENGGUNA LAYANAN BANK CENTRAL ASIA PADA TWITTER MENGGUNAKAN ALGORITMA ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Aminnudin, Sidiq (2022) ANALISIS SENTIMEN TERHADAP TINGKAT KEPUASAN PENGGUNA LAYANAN BANK CENTRAL ASIA PADA TWITTER MENGGUNAKAN ALGORITMA ALGORITMA SUPPORT VECTOR MACHINE (SVM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (544kB)
	Text (BAB I) BAB I.pdf Download (302kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (673kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (418kB)
	Text (BAB V) BAB V.pdf Download (41kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (105kB)
	Archive (SOURCE CODE) Souce Code 16.11.0198 Sidiq Aminnudin.zip Restricted to Repository staff only Download (9MB)
	Text (PUBLIKASI) Publikasi 16.11.0198 Sidiq Aminnudin.pdf Restricted to Repository staff only Download (399kB)

Abstract

Dalam pertumbuhan suatu negara lembaga keuangan sangatlah penting termasuk bank, dimana bank menjadi poros roda perekonomian sebagai penghimpun dan penyalur dana dari masyarakat serta menunjang pembangunan. Untuk mengukur kualitas layanan yang diberikan salah satunya adalah dengan menilai komentar-komentar yang diberikan pengguna di media sosial twitter menggunakan algoritma Support Vector Machine. Algoritma Support Vector Machine (SVM) merupakan salah satu metode klasifikasi dengan menggunakan metode pembelajaran mesin (supervised learning) yang memprediksi kelas berdasarkan pola dari hasil proses training yang diciptakan. Klasifikasi dilakukan dengan membuat garis pembatas (hyperlane) yang memisahkan antara kelas yang ditentukan yaitu positif dan negatif. Tingkat akurasi dan keberhasilan SVM ditentukan oleh kualitas dataset yang digunakan pada saat training dan kernel yang digunakan. Kernel linear pada SVM baik digunakan untuk memisahkan data yang bersifat linear seperti sentimen positif dan negatif. Proses Analisa sentiment dimulai dengan mencari dataset dengan metode scaping padatwitter. Dataset ini digunakan untuk proses pembelajaran sistem. Data twitter yang masih dalam bentuk teks kemudian diubah menjadi data vector menggunakan metode pembobotan TF-IDF. Setelah mendapatkan nilai vector dari masing-masing data twitter Langkah selanjutnya adalah melakukan proses klasifikasi menggunakan algoritma Support Vector Machine. Hasil pada proses kalsifikasi ini nantinya akan menghasilkan sebuah model persamaan yang digunakan untuk menentukan sebuah data twitter digolongkan negatif atau positif.Setelah dilakukan evaluasi, akurasi pada SVM dalam penelitian ini yaitu mencapai 76%

Actions (login required)

View Item