Sitorus, Fernandus Paian (2024) ANALISA PERBANDINGAN PENGARUH TEXTBLOB DAN VADER TERHADAP ANALISIS SENTIMEN MENGGUNAKAN METODE NAÏVE BAYES DAN SVM. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (THESIS)
21.55.2135 Fernandus Paian Sitorus.pdf Download (7MB) |
Abstract
VADER dan TextBlob adalah dua alat untuk analisis sentimen dalam teks. VADER, yang cocok untuk teks informal seperti media sosial, menggunakan kamus kata dan aturan untuk menentukan sentimen. Sedangkan TextBlob adalah pustaka Python yang menyediakan analisis sentimen dan fitur lainnya dengan pendekatan berbasis kamus dan model statistik. Keduanya menawarkan cara berbeda untuk memahami dan mengukur sentimen dalam teks. Penelitian ini berfokus pada perbandingan model analisis sentimen menggunakan dataset dalam bahasa Indonesia dan bahasa Inggris. Dua model machine learning yang menonjol, yaitu Naive Bayes dan Support Vector Machine (SVM), dievaluasi menggunakan dua leksikon, VADER dan TextBlob, untuk menentukan performa terbaik dalam klasifikasi sentimen. Dataset yang digunakan diperoleh dari Twitter, dengan komentar terkait topik "Kurikulum Merdeka" yang telah dipreproses dan diterjemahkan untuk memastikan konsistensi antar bahasa. Hasilnya menunjukkan bahwa baik SVM maupun Naive Bayes memiliki performa yang lebih baik pada dataset bahasa Inggris dibandingkan dengan dataset bahasa Indonesia, terutama karena kekokohan dan kelengkapan leksikon bahasa Inggris di perpustakaan TextBlob dan VADER. Performa terbaik untuk dataset bahasa Inggris dicapai oleh model SVM, dengan akurasi sebesar 88,73% menggunakan leksikon TextBlob. Untuk dataset bahasa Indonesia, akurasi tertinggi adalah 98,36%, juga menggunakan leksikon TextBlob, namun hasil ini kurang dapat diandalkan karena keterbatasan dukungan bahasa Indonesia dalam leksikon. Dataset bahasa Inggris mengungguli dataset bahasa Indonesia terutama karena leksikon bahasa Inggris dalam TextBlob lebih matang dan lebih sesuai untuk analisis sentimen, sedangkan leksikon bahasa Indonesia masih kurang berkembang, yang menyebabkan anotasi sentimen yang kurang akurat.
| Item Type: | Thesis (S2 - Magister) | |||
|---|---|---|---|---|
| Contributor: |
|
|||
| Uncontrolled Keywords: | Vader, Textblob, Analisis Sentimen, Support Vector Machine, Naive Bayes | |||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
|||
| Divisions: | Pascasarjana Magister Informatika > PJJ Magister Informatika | |||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | |||
| Date Deposited: | 24 Mar 2025 02:52 | |||
| Last Modified: | 24 Mar 2025 02:52 | |||
| URI: | http://eprints.amikom.ac.id/id/eprint/29034 |
Actions (login required)
 |
View Item |