ANALISIS SENTIMEN TWEET TOXIC MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SVM

Andryanto, Irfan (2025) ANALISIS SENTIMEN TWEET TOXIC MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SVM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (271kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (523kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (679kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (481kB)
	Text (BAB V) BAB V.pdf Download (77kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (152kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4398.zip Restricted to Repository staff only Download (586kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (633kB)

Abstract

Penggunaan media sosial Twitter/X yang terus meningkat menyebabkan persebaran konten yang lebih bervariasi. Sayangnya tidak semua konten yang tersebar bersifat positif, ada beberapa konten yang bersifat negatif salah satunya adalah konten yang bersifat toxic. Konten toxic ini dapat berdampak negatif pada kenyamanan dan kesehatan mental pengguna. Oleh karena itu, penting untuk mengembangkan metode yang efektif dalam mendeteksi dan menganalisis sentimen pada tweet toxic. Penelitian ini bertujuan untuk melakukan analisis sentimen pada tweet toxic menggunakan algoritma Naïve Bayes dan Support Vector Machine (SVM). Dataset yang digunakan merupakan dataset berisi tweet toxic dan non-toxic yang didapat dari website Kaggle yang selanjutnya di translate menggunakan Google Sheet untuk mendapatkan dataset berbahasa Indonesia. Dalam proses analisis, data teks diolah menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency) untuk merepresentasikan teks dalam bentuk numerik. Selanjutnya, model Naïve Bayes dan SVM dilatih dan dievaluasi menggunakan metode Confusion Matrix. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki performa yang lebih baik dibandingkan Naïve Bayes dalam hal akurasi, presisi, dan recall pada dataset yang digunakan. Model Naïve Bayes mendapatkan rata-rata akurasi 86.67% untuk Bahasa Inggris dan 84.26% untuk Bahasa Indonesia. Sedangkan untuk model SVM mendapatkan rata-rata akurasi sebesar 90.52% untuk Bahasa Inggris dan 88.09% untuk Bahasa Indonesia. Dengan demikian, penelitian ini membuktikan bahwa SVM memiliki kinerja yang lebih unggul dalam mendeteksi konten toxic multilingual di media sosial.

Actions (login required)

View Item