ANALISIS SENTIMEN OPINI PUBLIK TERHADAP KEBOCORAN DATA DI INDONESIA PADA MEDIA SOSIAL X MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

Prayudha, Yoga (2025) ANALISIS SENTIMEN OPINI PUBLIK TERHADAP KEBOCORAN DATA DI INDONESIA PADA MEDIA SOSIAL X MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (232kB)
	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 (558kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (617kB)
	Text (BAB V) BAB V.pdf Download (75kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (498kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4433.zip Restricted to Repository staff only Download (81kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (917kB)

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap kebocoran data di Indonesia yang dibagikan melalui media sosial X (Twitter) menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan melalui metode web scraping dan API dengan kata kunci yang relevan, kemudian dilakukan proses labeling menjadi tiga kategori sentimen, yaitu positif, negatif, dan netral. Tahap preprocessing meliputi cleaning, case folding, stopword removal, stemming, tokenization, dan pembobotan TF-IDF. Model SVM diuji menggunakan dua pendekatan, yaitu parameter default dan parameter hasil optimasi menggunakan GridSearchCV, dengan tujuan menemukan kombinasi hyperparameter terbaik. Evaluasi performa dilakukan menggunakan confusion matrix untuk menghitung akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa baik model SVM dengan parameter default maupun yang dioptimasi melalui GridSearchCV mencapai akurasi tertinggi sebesar 75%. Perbedaan terlihat pada distribusi klasifikasi: model default mampu mengklasifikasikan sebagian sentimen positif, sedangkan model GridSearchCV cenderung gagal mendeteksi kelas positif namun memberikan kinerja lebih konsisten pada kelas negatif dan netral. Temuan ini menunjukkan bahwa optimasi hyperparameter tidak selalu meningkatkan performa keseluruhan jika distribusi data tidak seimbang. Hasil penelitian ini memberikan gambaran tentang persepsi publik di Indonesia terkait isu kebocoran data, di mana sentimen negatif mendominasi. Informasi ini dapat dimanfaatkan oleh pemerintah, lembaga perlindungan data, dan penyedia layanan digital untuk merumuskan kebijakan keamanan data yang lebih responsif. Selain itu, metode dan hasil penelitian ini dapat menjadi referensi bagi pengembangan sistem pemantauan opini publik berbasis kecerdasan buatan yang mampu bekerja secara otomatis terhadap data media sosial yang bersifat dinamis.

Actions (login required)

View Item