ANALISIS SENTIMEN NATURALISASI TIM NASIONAL SEPAK BOLA INDONESIA MENGGUNAKAN MODEL MACHINE LEARNING

Yuna, Isma Magfirotul (2025) ANALISIS SENTIMEN NATURALISASI TIM NASIONAL SEPAK BOLA INDONESIA MENGGUNAKAN MODEL MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (225kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (584kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (962kB)
	Text (BAB V) BAB V.pdf Download (123kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (242kB)
	Archive (SOURCE CODE) Sourcecode - 21.12.1871.zip Restricted to Repository staff only Download (89MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (866kB)

Abstract

Analisis sentimen memegang peranan penting dalam memahami opini publik, khususnya dalam konteks naturalisasi pemain Tim Nasional Sepak Bola Indonesia. Media sosial seperti X menjadi sumber utama ekspresi publik yang dapat dianalisis menggunakan algoritma machine learning untuk mengklasifikasikan opini ke dalam kategori positif, negatif, atau netral. Penelitian ini bertujuan untuk membandingkan performa tujuh algoritma machine learning—Support Vector Machine (SVM), Artificial Neural Network (ANN), K-Nearest Neighbor (KNN), Multinomial Naïve Bayes, Decision Tree, Random Forest, dan Logistic Regression—serta mengevaluasi pengaruh penyeimbangan data terhadap kinerja klasifikasi sentimen. Metode penelitian mencakup tahap pengumpulan data dari media sosial X melalui proses crawling, eksplorasi data, serta pra-pemrosesan seperti case folding, pembersihan teks, normalisasi, tokenisasi, penghapusan stopword, dan stemming. Label sentimen ditentukan menggunakan pendekatan lexicon-based dengan InSet Lexicon. Untuk mengatasi ketidakseimbangan kelas, digunakan metode Random Over Sampling (ROS). Proses pembobotan kata dilakukan menggunakan TF-IDF, kemudian data dibagi menjadi data latih dan uji sebelum dilakukan pelatihan dan evaluasi model berdasarkan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penyeimbangan data meningkatkan performa model secara signifikan. Model SVM dan ANN mencatatkan akurasi tertinggi di atas 90% setelah penerapan ROS. Kontribusi utama dari penelitian ini adalah pembangunan aplikasi analisis sentimen berbasis Streamlit yang memungkinkan visualisasi dan akses hasil klasifikasi secara interaktif oleh masyarakat umum maupun pihak terkait seperti PSSI.

Actions (login required)

View Item