ANALISIS SENTIMEN TERHADAP GIBRAN SEBAGAI CALON WAKIL PRESIDEN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN ADABOOST DENGAN METODE PENDEKATAN ZERO-SHOT

Muhammad, Dzulfiqar (2024) ANALISIS SENTIMEN TERHADAP GIBRAN SEBAGAI CALON WAKIL PRESIDEN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN ADABOOST DENGAN METODE PENDEKATAN ZERO-SHOT. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (847kB)
	Text (BAB I) BAB I.pdf Download (246kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (395kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (874kB)
	Text (BAB V) BAB V.pdf Download (79kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (224kB)
	Archive (SOURCE CODE) Sourcecode - 20.61.0184.zip Restricted to Repository staff only Download (875kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (787kB)

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap pencalonan Gibran Rakabuming Raka sebagai calon Wakil Presiden, yang menuai berbagai perdebatan di masyarakat Indonesia, melalui data teks yang diperoleh dari tweet dari media sosial Twitter atau yang saat ini disebut dengan X. Analisis sentimen ini bertujuan untuk mengidentifikasi atau memberi label apakah teks yang dianalisis mengandung sentimen positif, negatif, atau netral. Pelabelan manual dengan data yang besar oleh manusia rentan terhadap inkonsistensi karena berbagai faktor seperti kelelahan dan perbedaan pemahaman. Pemberian label dengan menggunakan model Zero-Shot dapat meningkatkan efisiensi dan kualitas hasil analisis. Evaluasi model dalam analisis sentimen dilakukan secara otomatis dengan menggunakan algoritma Support Vector Machine (SVM) dan metode ensemble learning AdaBoost. Dari total keseluruhan 27.000 data tweet, proses pre-processing menghasilkan 22.915 tweet yang akan dianalisis dengan model Zero-Shot. Dengan menetapkan treshold 70%, data disaring menjadi 13.932 tweet untuk meningkatkan tingkat keakuratan analisis. Evaluasi kinerja model SVM dengan berbagai kernel menunjukkan bahwa kernel linear memberikan hasil terbaik dengan rata-rata akurasi 91,42%. Hasil akurasi sebesar 91,42%. Precision dan recall, masingmasing 91,49% dan 91,42%, nilai F1-score lebih rendah yaitu sebesar 90,99%. Kolaborasi antara SVM kernel linear dengan algoritma ensemble Adaboost menghasilkan rata-rata akurasi 0.6828. Penelitian ini juga melakukan penerapan model kedalam data baru sebanyak 2.777 tweet menunjukkan dominasi sentimen negatif dengan 2.324 tweet, sementara hanya 453 tweet yang tergolong positif.

Actions (login required)

View Item