SENTIMEN ANALIS THREAD INVESTASI PADA TWITTER MENGGUNAKAN NAÏVE BAYES

Munir, Muhammad Rafih S (2022) SENTIMEN ANALIS THREAD INVESTASI PADA TWITTER MENGGUNAKAN NAÏVE BAYES. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (418kB)
	Text (BAB I) BAB I.pdf Download (335kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (669kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (544kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (779kB)
	Text (BAB V) BAB V.pdf Download (39kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (217kB)
	Archive (SOURCE CODE) Source Code-17.11.1380-Muhammad Rafih S Munir - Muhammad Rafih Sirojul Munir.7z Restricted to Repository staff only Download (43MB)
	Text (PUBLIKASI) Publikasi-17.11.1380 Muhammad Rafih S Munir - Muhammad Rafih Sirojul Munir.pdf Restricted to Repository staff only Download (720kB)

Abstract

Sentimen analisis adalah proses untuk mendapatkan berbagai sumber data dari internet melalui berbagai platform media sosial menggunakan analisis teks. Twitter merupakan salah satu pangsa pasar yang memungkinkan masyarakat mengkonsumsi berita atau promosi dari suatu layanan investasi, karena data sumber tersebut sangat melimpah dan update tiap detiknya di internet dan hal tersebut menjadikan twitter rentan berisi berita atau informasi suatu platform investasi dan bentuk investasi yang illegal atau disebut investasi bodong, sehingga untuk mengatasi hal tersebut diperlukan Sentimen Analis Thread Investasi Pada Twitter Menggunakan Naive Bayes. Hasil yang diperoleh berupa komentar, kritik dan saran baik positif ataupun negative pada suatu bentuk, model produk atau aplikasi investasi yang beredar dan di bahas pada Twitter. Data yang diperoleh sebanyak 188 data dengan pembagian sentimen positif sebanyak 96 dan sentimen negatif sebanyak 92. Data tersebut di proses dengan menggunakan teknik ekstraksi fitur yaitu cleaning data, tokenizing, filtering dan stemming data. Setelah ekstraksi fitur selanjutnya pembobotan TFIDF. Setelah pembobotan masuk ke metode multinomial naïve bayes dengan pembagian data training 80% dan testing 20%. Pengujian dibantu tools confusion matrix dengan perolehan score precision sebesar 0.69, recall sebesar 0.70, f1-score (f-measure) sebesar 0.74 dan accuracy sebesar 0.7. Probabilitas mengambil salah satu sampel kata yakni “investasi” sebesar 6.27489823e-01.

Actions (login required)

View Item