IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) PADA ANALISIS SENTIMEN OPINI PUBLIK TENTANG LARANGAN PENGGUNAAN OBAT SIRUP BAGI KESEHATAN GINJAL

Purnomo, Galih (2024) IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) PADA ANALISIS SENTIMEN OPINI PUBLIK TENTANG LARANGAN PENGGUNAAN OBAT SIRUP BAGI KESEHATAN GINJAL. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (457kB)
	Text (BAB I) BAB I.pdf Download (206kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (559kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (277kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (404kB)
	Text (BAB V) BAB V.pdf Download (72kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (179kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3773.zip Restricted to Repository staff only Download (558kB)
	Text (PUBLIKASI) Surat Pernyataan Publish Di Luar.pdf Restricted to Repository staff only Download (97kB)

Abstract

Pada tahun 2022, Kementerian Kesehatan Indonesia melaporkan beberapa kasus gagal ginjal akut pada anak (GGAPA), yang mengakibatkan angka kematian sebesar 59%, terutama di antara anak-anak berusia antara 1-5 tahun. Penyebab utama diidentifikasi oleh Menteri Kesehatan Budi Gunadi Sadikin sebagai tiga pelarut etilen glikol (EG), dietilen glikol (DEG), dan etilen glikol butil eter (EGBE). Sebagai tanggapan, pemerintah menerapkan pembatasan konsumsi zat kental tersebut, yang menyebabkan beragam reaksi publik yang teramati di bagian komentar YouTube. Tujuan dari penelitian ini adalah untuk melihat kinerja algoritma Support Vector Machine dengan empat kernel (linear, sigmoid, RBF, dan polynomial) dalam menganalisis sentimen opini publik tentang larangan penggunaan obat sirup bagi kesehatan ginjal dan melihat kernel mana yang menghasilkan akurasi tertinggi dalam analisis sentimen ketika menggunakan algoritme Support Vector Machine. Data dikumpulkan melalui web scraping dengan 5000 data awal, dan setelah dilakukan preprocessing, data yang diolah sebanyak 4794 data. Hasil analisis menunjukkan bahwa kernel linear memiliki akurasi tertinggi sebesar 75,63%, diikuti oleh kernel sigmoid 75,29%, RBF 74,79%, dan polynomial 71,09%. Sedangkan pengujian K-Fold Cross Validation dengan nilai k = 10, mengahasilkan nilai sebesar 74,64% untuk kernel linear. Penelitian ini menyimpulkan bahwa algoritma Support Vector Machine (SVM) dengan kernel linear mencapai akurasi tertinggi dalam analisis sentimen.

Actions (login required)

View Item