ANALISIS SENTIMEN PADA TWITTER MENGENAI RESESI DI INDONESIA MENGGUNAKAN ALGORITMA NAÏVE BAYES

Setyawan, Shinta Nabilla Emi Hayu (2023) ANALISIS SENTIMEN PADA TWITTER MENGENAI RESESI DI INDONESIA MENGGUNAKAN ALGORITMA NAÏVE BAYES. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (692kB)
	Text (BAB I) BAB I.pdf Download (229kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (814kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (420kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (48kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (187kB)
	Other (SOURCE CODE) Source Code - Shinta Nabilla Emi Hayu Setyawan.rar Restricted to Repository staff only Download (3MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (522kB)

Abstract

Resesi merupakan kondisi pada perekonomian negara yang sedang mengalami penurunan dimana itu sangat berdampak pada kehidapan sehari-hari masyarakat. Isu terkait resesi banyak di perbincangkan oleh masyarakat dengan opini yang berbeda-beda sehingga munculah suatu sentimen seperti negatif, positif, dan netral. Masyarakat kini banyak menggunakan media sosial untuk menyampaikan tanggapan mereka, salah satu media sosial yang sering digunakan yaitu Twitter. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen mengenai resesi di Indonesia pada Twitter menggunakan metode Naïve Bayes dengan variasi Multinomial Naïve Bayes. Data yang digunakan dalam penelitian ini diperoleh dengan cara mengumpulkan data dari Twitter dengan keyword resesi. Ada beberapa sentimen yang di analisis seperti positif, negatif, dan netral. Metode yang digunakan yaitu Multinomial Naïve Bayes, metode ini digunakan untuk menganalisis dan memprediksi sentimen yang ada pada tiap tweet. Ada beberapa tahapan yang dilakukan yaitu crawling data, preprocessing data, pembobotan kata, classification, dan evaluation. Pada tahap preprocessing data ada beberapa proses yang dilakukan yaitu cleaning data, case folding, tokenization, stopword removal, stemming, dan transformation. Pada tahap pembobotan kata dilakukan dengan TFIDF (Term Frequency- Inverse Document Frequency). Dan pada tahap classification yaitu dengan menggunakan algoritma multinomial naïve bayes. Hasil pengujian dari dataset sebanyak 1006 data dan menggunakan multinomial naïve bayes sebagai klasifikasinya memperoleh hasil akurasi sebesar 74%, hasil tersebut merupakan hasil sebelum SMOTE (Synthetic Minority Over-Sampling). Setelah SMOTE hasil akurasinya sebesar 76%. Dan untuk hasil pengujian dengan variasi 7-fold cross validation yaitu 73%.

Actions (login required)

View Item