IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK SENTIMEN KEPUASAN PELANGGAN PADA AKUN TWITTER INDIHOME

Wasistha, Dyah (2021) IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK SENTIMEN KEPUASAN PELANGGAN PADA AKUN TWITTER INDIHOME. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (606kB)
	Text (BAB I) BAB I.pdf Download (296kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (621kB)
	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 (447kB)
	Text (BAB V) BAB V.pdf Download (59kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (133kB)
	Archive (SOURCE CODE) SOURCECODE-17.11.1527-DYAHWASISTHA - Dyah Wasistha.rar Restricted to Repository staff only Download (8MB)
	Text (PUBLIKASI) PUBLIKASI-17.11.1527-DYAH WASISTHA - Dyah Wasistha.pdf Restricted to Repository staff only Download (607kB)

Abstract

Perkembangan sosial media di Indonesia cukup pesat, hal ini dibuktikan dengan meningkatnya penggunaan Twitter sebagai salah satu media marketing bagi sebuah perusahaan. Dengan adanya hal ini, tentunya dimanfaatkan oleh penyedia jasa internet Indihome yang saat ini penggunanya semakin meningkat. Oleh sebab itu, seiring dengan peningkatan jumlah pengguna provider Indihome, maka dapat memunculkan berbagai opini khususnya pada platform twitter, baik yang bersifat pujian maupun keluhan. Dengan munculnya berbagai opini tersebut, peneliti melakukan analisis sentimen untuk mengetahui apakah pelanggan puas atau tidak terhadap penyedia layanan internet Indihome. Banyaknya opini yang dituliskan di twitter akan dijadikan sebagai dataset yang berjumlah 1500 data tweet. Dataset tersebut akan diklasifikasikan apakah dataset tersebut cenderung beropini positif atau negatif. Adapun beberapa tahapan yang dilakukan yaitu pengumpulan data atau crawling dataset dengan menggunakan API twitter, preprocessing untuk menghilangkan noise yang tidak diperlukan, feature extraction dengan metode TFIDF, klasifikasi dengan Algoritma K-Nearest Neighbor dan dievaluasi dengan menggunakan metode Confusion Matrix. Berdasarkan hasil penelitian yang telah dilakukan dengan menggunakan algoritma KNN, didapatkan tingkat akurasi sebesar 82,6%, precision score 83.17%, f1 score 87.2% dan recall score sebesar 91.75%.

Actions (login required)

View Item