ANALISIS SENTIMEN TERHADAP TINGKAT KEPUASAN PENGGUNA PENYEDIA LAYANAN TELEKOMUNIKASI INDOSAT OREEDOO PADA TWITTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Laksana, Dimas Rio Pradana Putra (2020) ANALISIS SENTIMEN TERHADAP TINGKAT KEPUASAN PENGGUNA PENYEDIA LAYANAN TELEKOMUNIKASI INDOSAT OREEDOO PADA TWITTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (646kB)
	Text (BAB I) BAB I.pdf Download (315kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (722kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (593kB)
	Text (BAB V) BAB V.pdf Download (62kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (125kB)
	Archive (SOURCE CODE) Source Code-16.11.0158-Dimas Rio Pradana Putra Laksana - Dimas Rio Pradana.rar Restricted to Repository staff only Download (3MB)
	Text (PUBLIKASI) Publikasi-16.11.0158-Dimas Rio Pradana Putra Laksana - Dimas Rio Pradana.pdf Restricted to Repository staff only Download (467kB)

Abstract

Teknologi telekomunikasi merupakan sarana yang penting dalam membantu dan memudahkan aktivitas masyarakat pada saat masa pandemi COVID-19 seperti sekarang, dimana jaringan internet merupakan hal yang penting dalam menunjang aktivitas sehari-hari seperti bekerja dari rumah dan belajar dari rumah. Untuk mengukur kualitas layanan yang diberikan salah satunya adalah dengan menilai komentar-komentar yang diberikan pengguna di media sosial twitter menggunakan algoritma Support Vector Machine. Algoritma Support Vector Machine (SVM) merupakan salah satu metode klasifikasi dengan menggunakan metode pembelajaran mesin (supervised learning) yang memprediksi kelas berdasarkan pola dari hasil proses training yang diciptakan. Klasifikasi dilakukan dengan membuat garis pembatas (hyperlane) yang memisahkan antara kelas yang ditentukan yaitu positif dan negatif. Tingkat akurasi dan keberhasilan SVM ditentukan oleh kualitas dataset yang digunakan pada saat training dan kernel yang digunakan. Kernel linear pada SVM baik digunakan untuk memisahkan data yang bersifat linear seperti sentimen positif dan negatif. Proses Analisa sentiment dimulai dengan mencari dataset. Dataset ini digunakan untuk proses pembelajaran sistem. Data twitter yang masih dalam bentuk teks kemudian diubah menjadi data vector menggunakan metode pembobotan TFIDF. Setelah mendapatkan nilai vector dari masing-masing data twitter Langkah selanjutnya adalah melakukan proses klasifikasi menggunakan algoritma Support Vector Machine. Hasil pada proses kalsifikasi ini nantinya akan menghasilkan sebuah model persamaan yang digunakan untuk menentukan sebuah data twitter digolongkan negatif atau positif.Setelah dilakukan evaluasi, akurasi pada SVM dalam penelitian ini cukup baik yaitu mencapai 95% dan berhasil menggolongkan sentimen dari pengguna layanan indosat dengan rincian 69% sentiment negatif dan 31% sentimen positif sehingga dapat disimpulkan bahwa sentiment pengguna layanan Indosat cenderung negatif.

Actions (login required)

View Item