Hartono, Mochammad Bima (2025) PERBANDINGAN ALGORITMA MULTINOMIAL NAIVE BAYES DENGAN ADABOOST UNTUK ANALISIS OPINI PUBLIK TENTANG NATURALISASI PEMAIN SEPAK BOLA DI INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (1MB) |
|
Text (BAB I)
BAB I.pdf Download (271kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (817kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (174kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (869kB) |
|
Text (BAB V)
BAB V.pdf Download (84kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (145kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 19.12.1387.zip Restricted to Repository staff only Download (4MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (756kB) |
Abstract
Penelitian ini bertujuan untuk menganalisis sentimen publik pada media sosial Twitter mengenai isu naturalisasi pemain sepak bola di Indonesia dengan membandingkan kinerja dua algoritma klasifikasi: Multinomial Naïve Bayes (MNB) dan AdaBoost. Data diperoleh melalui crawling tweet sepanjang tahun 2024 dengan kata kunci "sepakbola", "timnasional", dan "naturalisasi". Data mentah kemudian melalui serangkaian tahap preprocessing yang meliputi case folding, penghapusan tanda baca, tokenizing, stopword removal, dan stemming. Pelabelan sentimen (positif, negatif, netral) dilakukan secara otomatis menggunakan model transformer, dan fitur diekstraksi menggunakan TF-IDF. Hasil evaluasi menunjukkan bahwa model Multinomial Naïve Bayes secara konsisten menunjukkan performa yang lebih unggul, berhasil mencapai akurasi hingga 82%. Sebaliknya, penerapan AdaBoost menghasilkan akurasi yang lebih rendah secara signifikan, yaitu hanya 65.29% dalam pengujian cross-validation. Kedua model mengalami kesulitan dalam mengklasifikasikan sentimen netral secara akurat karena ketidakseimbangan data. Penelitian ini menyimpulkan bahwa untuk klasifikasi teks dari Twitter yang cenderung memiliki noise tinggi, model MNB yang lebih sederhana terbukti lebih efektif dibandingkan AdaBoost.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Analisis Sentimen, Naïve Bayes, AdaBoost, Naturalisasi Pemain, Twitter | ||
| Subjects: | 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: | 14 Nov 2025 04:29 | ||
| Last Modified: | 14 Nov 2025 04:29 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31024 |
Actions (login required)
 |
View Item |