PERBANDINGAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DAN NAÏVE BAYES DALAM ANALISIS SENTIMEN KOMENTAR YOUTUBE CNN TENTANG KERETA CEPAT JAKARTA-BANDUNG (WHOOS)

Wicaksana, Dandi (2024) PERBANDINGAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DAN NAÏVE BAYES DALAM ANALISIS SENTIMEN KOMENTAR YOUTUBE CNN TENTANG KERETA CEPAT JAKARTA-BANDUNG (WHOOS). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (192kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (684kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (496kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (853kB)
	Text (BAB V) BAB V.pdf Download (72kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (150kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3551.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (789kB)

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja dua metode klasifikasi, yaitu Support Vector Machine (SVM) dan Naïve Bayes, dalam analisis sentimen komentar YouTube pada kanal CNN Indonesia terkait proyek Kereta Cepat Jakarta-Bandung (WHOOSH). Analisis sentimen merupakan proses otomatisasi yang digunakan untuk mengidentifikasi dan mengelompokkan opini atau emosi dari teks, yang dalam hal ini berasal dari komentar pengguna di platform YouTube. Data yang digunakan dalam penelitian ini terdiri dari komentar yang dikumpulkan dari video terkait topik Kereta Cepat Jakarta-Bandung di kanal YouTube CNN Indonesia. Proses penelitian ini meliputi beberapa tahapan utama, yaitu pengumpulan data, preprocessing, serta penerapan metode klasifikasi SVM dan Naïve Bayes. Kinerja kedua metode kemudian dibandingkan berdasarkan beberapa metrik evaluasi seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa masing-masing metode memiliki kelebihan dan kekurangan tersendiri dalam menganalisis sentimen. Hasil pengujian dan evaluasi Support Vector Machine (SVM) yaitu Kernel Linier dan Kernel RBF. Untuk Kernel Linier mendapatkan 81,3%, Presisi 80,9%, Recall 79,5%, F1-Score 80%. Sedangkan untuk Kernel RBF mendapatkan akurasi sebesar 80,9%, Presisi 81,6%, Recall, 78,8%, F1-Score 80%. Lalu untuk hasil pengujian Naïve Bayes yang dibagi menjadi dua yaitu Complement Naïve Bayes dan Gaussion NB. Untuk Complement Naïve Bayes mendapatkan akurasi sebesar 63,98%, Presisi 63,3%, Recall 62,6% dan F-1 Score 61%. Sedangkan untk Gaussion NB mendapatkan 64,41%, Presisi 62,4%, Recall 62,1%, F1-Score 62%. Hasil penelitian ini dapat menunjukkan bahwa Support Vector Machine (SVM) performa lebih baik daripada Naïve bayes. Temuan ini memberikan wawasan berharga bagi peneliti dan praktisi dalam memilih metode klasifikasi yang paling sesuai untuk analisis sentimen komentar di media sosial, khususnya pada platform YouTube.

Actions (login required)

View Item