KLASIFIKASI TREN BISNIS BERDASARKAN SENTIMEN PENGGUNA TWITTER DENGAN MACHINE LEARNING

Sakti, Yunita Nurisfa Maya (2023) KLASIFIKASI TREN BISNIS BERDASARKAN SENTIMEN PENGGUNA TWITTER DENGAN MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (930kB)
	Text (BAB I) BAB I.pdf Download (202kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (832kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (508kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (68kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (156kB)
	Archive (SOURCE CODE) Source Code 19.11.3079 Yunita Nurisfa Maya Sakti.zip Restricted to Registered users only Download (388kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (655kB)

Abstract

Salah satu cara untuk melakukan riset tren bisnis yaitu dengan melakukan analisis tren pada google tren. Akan tetapi, pada google tren hanya memberikan hasil tren keseluruhan baik sentiment positif maupun negatif. Untuk mengetahui sentiment tren bisnis dapat dilakukan analisi sentiment dari pengguna twitter. Analisis sentiment tersebut dapat dilakukan dengan metode machine learning. Menurut penelitian sebelumnya, diantara beberapa metode klasifikasi metode naïve bayes dan support vector machine menghasilkan akurasi yang cukup tinggi. Naïve bayes merupakan metode klasifikasi yang mampu mengestimasi data dengan baik dengan prediksi trend an pola, sedanngkan support vector machine adalah metode yang implementasinya menggunakan hyperplane yang memudahkan untuk melakukan analasisi sentiment. Pada penelitian ini metode support vector machine dan naïve bayes akan dibandingkan untuk melakukan analisis sentiment tren bisinis berdasarkan twitt pengguna twitter. Data yang digunakan yaitu data twitt dari tanggal 1 Januari 2022 hingga 31 Desember 2022. Sebelum dilakukan pemodelan SVM dan Naïve bayes data dilakukan preprocessing dengan beberapa tahap yaitu filtering, case folding dan data cleaning, normalization, tokenization, stopword removal dan stemming. Pada penelotian ini stemming dilakukan menggunakan library Sastrawi dan Nondeterministic Context Stemmer. Perbandingan akurasi antara metode SVM dan Naïve bayes dilakukan dengan menggunakan metode confusion matrix. Hasil pengujian yang didapatkan menghasilkan bahwa akurasi SVM lebih tinggi jika dibandingkan dengan akurasi naïve bayes, yaitu SVM mendapatkan akurasi sebesar 88% pada proses stemming menggunakan sastrawi dan 87% pada proses stemming menggunakan Nondeterministic Context Stemmer sedangkan Naïve bayes sebesar 75% pada proses stemming menggunakan Sastrawi dan Nondeterministic Context Stemmer.

Actions (login required)

View Item