KOLABORASI ADABOOSTING DAN SVM PADA ANALISIS SENTIMEN POLITIK DINASTI UNTUK UNBALANCED DATA

Afriandi, Afriandi (2025) KOLABORASI ADABOOSTING DAN SVM PADA ANALISIS SENTIMEN POLITIK DINASTI UNTUK UNBALANCED DATA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (211kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (653kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (393kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (112kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (112kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4018.zip Restricted to Repository staff only Download (8MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (742kB)

Abstract

Politik dinasti merupakan fenomena di mana kekuasaan politik terpusat pada satu keluarga dalam jangka waktu yang panjang, yang berpotensi menimbulkan ketidaksetaraan dalam distribusi kekuasaan. Media sosial, khususnya Twitter, menjadi platform utama bagi masyarakat untuk mengekspresikan opini mereka terkait isu ini. Namun, dalam analisis sentimen publik terhadap politik dinasti, salah satu tantangan utama yang dihadapi adalah ketidakseimbangan data (unbalanced data), yang dapat menyebabkan bias dalam model klasifikasi.Penelitian ini mengusulkan kombinasi algoritma AdaBoosting dan Support Vector Machine (SVM) untuk meningkatkan akurasi analisis sentimen politik dinasti pada data yang tidak seimbang. SVM dikenal sebagai algoritma yang efektif dalam menangani data kompleks, sementara AdaBoosting diharapkan dapat meningkatkan akurasi model dengan memperkuat prediksi terhadap data yang sulit diklasifikasikan.Hasil penelitian menunjukkan bahwa SVM secara mandiri mencapai akurasi sebesar 82,27% dengan presisi 0,81, recall 0,82, dan F1-score 0,81. Sementara itu, kombinasi AdaBoosting dan SVM justru memperoleh akurasi yang lebih rendah, yaitu 76,36%, dengan presisi 0,74, recall 0,76, dan F1-score 0,74. Meskipun kombinasi kedua algoritma ini dirancang untuk menangani ketidakseimbangan data, hasilnya menunjukkan bahwa model tersebut belum mampu secara optimal menangani masalah ketidakseimbangan data dan belum meningkatkan performa model secara keseluruhan.

Actions (login required)

View Item