Mukim, Mochamad Rifaldi (2025) KOMPARASI ALGORITMA PADA ANALISIS SENTIMEN KOMENTAR YOUTUBE TERHADAP KERETA CEPAT WHOOSH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (968kB) |
|
Text (BAB I)
BAB I.pdf Download (275kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (520kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (646kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (992kB) |
|
Text (BAB V)
BAB V.pdf Download (108kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (200kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.3931.zip Restricted to Repository staff only Download (1MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Penelitian ini bertujuan untuk membandingkan efektivitas dua algoritma dalam analisis sentimen komentar YouTube tentang proyek Kereta Cepat Whoosh. Algoritma yang diuji adalah Support Vector Machine (SVM) dan BERT (Bidirectional Encoder Representations from Transformers). Dataset terdiri dari 6.108 komentar, yang mencakup sentimen positif dan negatif. Data tersebut melalui beberapa tahap praproses, termasuk normalisasi, pelipatan huruf besar-kecil, tokenisasi, penghapusan stopword, dan stemming. Model SVM dan BERT kemudian digunakan untuk mengklasifikasikan komentar menjadi sentimen positif dan negatif. Hasil evaluasi menunjukkan bahwa model SVM berkinerja lebih baik, mencapai akurasi 88,2%, dibandingkan dengan BERT dengan akurasi 87,3%. SVM juga lebih efektif dalam mendeteksi komentar negatif, dengan tingkat recall 89%. Di sisi lain, BERT berkinerja lebih baik dalam mendeteksi komentar positif dengan recall 90%, meskipun menghadapi tantangan dalam mengklasifikasikan komentar negatif. Perbedaan ini menunjukkan bahwa sementara BERT unggul dalam memahami konteks semantik, SVM lebih efisien untuk menangani data teks yang lebih sederhana. Secara keseluruhan, SVM terbukti lebih efektif dalam menganalisis sentimen pada komentar mengenai Kereta Cepat Whoosh.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Analisis Sentimen, Kereta Cepat Whoosh, Support Vector Machine, BERT, Pra-pemrosesan Teks | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 18 Sep 2025 06:32 | ||
| Last Modified: | 18 Sep 2025 06:32 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30774 |
Actions (login required)
 |
View Item |