ANALISIS SENTIMEN TENTANG KESEHATAN MENTAL PADA GENERASI Z MENGGUNAKAN METODE NAIVE BAYES PADA SOSIAL MEDIA TWITTER

Hentihu, Shafira (2024) ANALISIS SENTIMEN TENTANG KESEHATAN MENTAL PADA GENERASI Z MENGGUNAKAN METODE NAIVE BAYES PADA SOSIAL MEDIA TWITTER. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (946kB)
	Text (BAB I) BAB I.pdf Download (205kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (668kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (301kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (686kB)
	Text (BAB V) BAB V.pdf Download (63kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (194kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3576.zip Restricted to Repository staff only Download (213kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Masalah kesehatan mental Generasi Z telah menjadi fokus penelitian karena pengaruh lingkungan digital dan dinamika sosial yang memengaruhi pola pikir dan perilaku mereka. Penggunaan teknologi digital dan media sosial oleh Generasi Z menciptakan tantangan baru dalam memahami dan mengatasi masalah kesehatan mental mereka. Penelitian sebelumnya menunjukkan bahwa algoritma klasifikasi sentimen seperti Naive Bayes masih memiliki kelemahan dalam menghadapi teks yang kompleks dan ambigu terkait kesehatan mental Generasi Z di Twitter. Untuk mengatasi masalah ini, pendekatan yang menggabungkan ekstraksi fitur n-grams dan penyeimbang data Synthetic Minority Over-sampling Technique (SMOTE) diajukan untuk meningkatkan akurasi algoritma Naive Bayes. Penelitian ini bertujuan untuk memberikan kontribusi yang signifikan dalam pemahaman dan deteksi dini masalah kesehatan mental Generasi Z serta menghasilkan rekomendasi intervensi yang lebih efektif. Metode penelitian yang digunakan mencakup pengumpulan data dari Twitter, pelabelan manual sentimen pada data, dan penerapan teknik SMOTE untuk mengatasi ketidakseimbangan kelas dalam data. Hasil penelitian ini menunjukkan peningkatan signifikan dalam kinerja model klasifikasi Naive Bayes setelah penerapan teknik SMOTE, dengan tingkat akurasi yang meningkat dari 63% menjadi 74%. Setelah optimasi dengan SMOTE menggunakan GridSearchCV, tingkat akurasi model meningkat menjadi 99%, menunjukkan peningkatan yang signifikan dalam prediksi kelas positif. Selain itu, analisis topik menggunakan model LDA menemukan hubungan yang kuat antara kesehatan mental dan Generasi Z dalam dataset Twitter yang diamati.

Actions (login required)

View Item