PERBANDINGAN ALGORITMA SVM DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN CPNS DI MEDIA SOSIAL X

Asnan, Hanafi (2025) PERBANDINGAN ALGORITMA SVM DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN CPNS DI MEDIA SOSIAL X. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (169kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (683kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (548kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (40kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (150kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3481.zip Restricted to Repository staff only Download (953kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (564kB)

Abstract

Sentimen Analisis pada media sosial semakin berkembang seiring meningkatnya interaksi pengguna terhadap berbagai isu publik, termasuk Calon Pegawai Negeri Sipil (CPNS). Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam menganalisa sentimen terkait CPNS di X. Data yang digunakan dikumpulkan melalui Crawling data dari X Menggunakan kata kunci #CPNS dalam rentang waktu dari Bulan Agustus sampai November. Setelah data diperoleh, dilakukan tahap pre-processing seperti pembersihan teks, tokenisasi, stopword removal, stemming, dan representasi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Data kemudian dibagi menjadi data latih dan uji dengan perbandingan 80:20. Evaluasi model dilakukan dengan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM memiliki akurasi sebesar 81%, sedikit lebih tinggi dibandingkan Random Forest yang memiliki akurasi 80%. SVM lebih unggul dalam mendeteksi sentimen negatif dan positif, sementara Random Forest memiliki performa lebih baik dalam mengklasifikasikan sentimen netral. Namun, kedua model masih mengalami kesulitan dalam mengenali sentimen netral dengan tingkat recall yang relatif rendah. Penelitian ini menunjukkan bahwa pemilihan algoritma dalam analisis sentimen bergantung pada tujuan klasifikasi dan distribusi data sentimen yang digunakan. Hasil dari penelitian ini dapat menjadi referensi bagi pengembangan model analisis sentimen yang lebih akurat dan efektif dalam memahami opini publik terhadap kebijakan pemerintah.

Actions (login required)

View Item