PERBANDINGAN ANALISIS SENTIMEN TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR PADA TRANSPORTASI ONLINE DI INDONESIA

Mubarok, Dzaki Fauzi (2019) PERBANDINGAN ANALISIS SENTIMEN TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR PADA TRANSPORTASI ONLINE DI INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER-ABSTRAK.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (1MB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (3MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (4MB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (4MB)
	Text (BAB V) BAB V.pdf Download (422kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA-LAMPIRAN.pdf Restricted to Registered users only Download (3MB)

Abstract

Transportasi online merupakan salah satu jenis transportasi yang paling sering digunakan dalam beberapa tahun terrakhir, dengan jumlah 15,37 juta pengguna android menggunakan aplikasi transportasi online menurut data com score per Desember 2017. Dengan adanya transportasi berbasis online, pemanggilan akan lebih mudah dilakukan. Dalam hal ini, opini akan sangat dibutuhkan untuk dijadikan penilaian kualitas pelayanan transportasi online tersebut. Opini-opini tersebut akan mudah dijumpai di Twitter, salah satu platfom media sosial yang paling terkenal saat ini. Dengan mengakses Twitter, kita akan dengan mudah menjumpai berbagai ulasan tentang transportasi online yang kita gunakan. Akan tetapi, analisis sentimen tetap dibutuhkan karena Twitter tidak bisa menyimpulkan kualitas Transportasi online tersebut. Penelitian ini akan membuat model anailisis sentimen twitter pada transportasi online di Indonesia yang paling populer digunakan yaitu Gojek dan Grab. Pada penelitian ini juga akan membandingkan model terbaik di antara kedua metode yang digunakan, yaitu Support Vector Machine dan K-Nearest Neighbor dan membandingkan metode mana yang memiliki perfoma yang tinggi dan baik. Evaluasi model menggunakan metode K-fold Cross Validation. Hasil pada perhitungan akurasi menunjukan bahwa metode Support Vector Machine lebih unggul dibanding KNN dengan 80% tanpa validasi dan menggunakan validasi 81.5% pada dataset gojek dan pada dataset grab SVM 88% tanpa validasi, menggunakan validasi 82.5%. sedang waktu proses KNN lebih cepat dibadingkan SVM dengan waktu 0.0790 tanpa validasi dan 1.040second menggunakan valiadasi pada dataset gojek dan pada dataset grab 0.0390 second tanpa validasi dan 1.305 second menggunakan validasi.

Actions (login required)

View Item