Syifa, Octafiana Hanani Fityati (2025) ANALISIS SENTIMEN MASYARAKAT TERHADAP KENAIKAN PPN MENJADI 12% DI INDONESIA PADA MEDIA SOSIAL X MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (915kB) |
|
Text (BAB I)
BAB I.pdf Download (150kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (764kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (234kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf Download (74kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (159kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.12.2158.zip Restricted to Repository staff only Download (6kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (587kB) |
Abstract
Kenaikan Pajak Pertambahan Nilai (PPN) menjadi 12% di Indonesia pada tahun 2025 menimbulkan beragam reaksi di masyarakat. Media sosial X (Twitter) menjadi platform utama bagi masyarakat untuk menyampaikan pendapat mereka, dengan mayoritas opini bersifat negatif. Analisis sentimen diperlukan untuk memahami persepsi publik guna memberikan wawasan bagi pengambil kebijakan dalam merancang strategi komunikasi yang lebih efektif. Penelitian ini menggunakan metode analisis sentimen dengan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan sentimen masyarakat menjadi dua kategori, yaitu positif dan negatif. Data dikumpulkan melalui teknik crawling dari media sosial X dalam rentang waktu 1 Oktober 2024 hingga 20 Januari 2025. Tahapan preprocessing mencakup cleaning, case folding, normalisasi kata, tokenizing, stopword removal, dan stemming. Data diberi bobot menggunakan TF-IDF dan dilakukan balancing dengan Synthetic Minority Over-sampling Technique (SMOTE). Model SVM digunakan untuk klasifikasi, yang kemudian dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM dengan skenario terbaik (pembagian data 80:20) mencapai akurasi 89,78%, dengan presisi 74% untuk sentimen positif dan 92% untuk sentimen negatif, recall 57% untuk sentimen positif dan 96% untuk sentimen negatif, serta F1-score 64% untuk sentimen positif dan 94% untuk sentimen negatif. Meskipun akurasi tinggi, model lebih efektif dalam memprediksi sentimen negatif. Penelitian ini diharapkan dapat memberikan manfaat bagi pemerintah dalam memahami persepsi masyarakat serta menjadi referensi bagi penelitian lebih lanjut di bidang analisis sentimen.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Analisis Sentimen, Pajak Pertambahan Nilai, Media Sosial X, Support Vector Machine, SMOTE | ||
| 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: | Fakultas Ilmu Komputer > Sistem Informasi | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 22 Apr 2025 07:44 | ||
| Last Modified: | 22 Apr 2025 07:44 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/29601 |
Actions (login required)
 |
View Item |