STUDI PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI SENTIMEN DALAM KONTEKS DUNIA KERJA GEN Z

Rumadaul, Muhammad Fathir (2025) STUDI PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI SENTIMEN DALAM KONTEKS DUNIA KERJA GEN Z. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (869kB)
	Text (BAB I) BAB I.pdf Download (220kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (596kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (253kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (868kB)
	Text (BAB V) BAB V.pdf Download (173kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (136kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (592kB)

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan sentimen opini Generasi Z terhadap dunia kerja menggunakan tiga pendekatan model machine learning, yaitu Random Forest, Support Vector Machine (SVM), dan BERT. Dataset yang digunakan berisi opini-opini dalam bahasa Indonesia yang telah melalui proses pra-pemrosesan dan pelabelan sentimen (negatif, netral, positif). Hasil penelitian menunjukkan bahwa model SVM memberikan performa terbaik dengan akurasi mencapai 90,22% dan distribusi kinerja yang seimbang di semua kelas. Model BERT menyusul dengan akurasi 88,38%, memperlihatkan kemampuan yang kuat dalam mengenali opini positif dan netral, meskipun sedikit lemah dalam mendeteksi opini negatif. Sementara itu, model Random Forest memiliki performa paling rendah dengan akurasi 80,82%, terutama kurang efektif dalam menangkap sentimen negatif. Kesimpulan dari penelitian ini adalah bahwa model SVM paling optimal untuk klasifikasi sentimen opini Gen Z terhadap dunia kerja, baik dari segi akurasi maupun keseimbangan antar kelas. Penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem analisis opini publik yang lebih efektif, khususnya yang menyasar generasi muda di dunia kerja.

Item Type:

Thesis (S1 - Sarjana)

Contributor:

Pembimbing
Sulistiyono, Mulia

Uncontrolled Keywords:

Generasi Z, Dunia Kerja, Support Vector Machine (SVM), Random Forest (RF), Bidirectional Encoder Representations from Transformers (BERT), Machine Learning

Subjects:

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:

01 Dec 2025 01:51

Last Modified:

01 Dec 2025 01:51

URI:

http://eprints.amikom.ac.id/id/eprint/31395