IMPLEMENTASI ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE DALAM ANALISIS SENTIMEN MASYARAKAT TERHADAP PROGRAM MAKAN SIANG GRATIS DI MEDIA SOSIAL X

Alfiano, Dino (2025) IMPLEMENTASI ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE DALAM ANALISIS SENTIMEN MASYARAKAT TERHADAP PROGRAM MAKAN SIANG GRATIS DI MEDIA SOSIAL X. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (409kB)
	Text (BAB I) BAB I.pdf Download (153kB)
	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 (316kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (68kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (145kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4540.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (787kB)

Abstract

Program makan siang gratis yang dirancangkan pemerintah sebagai bagian dari agenda kebijakan publik telah menimbulkan beragam respons masyarakat, khususnya di media sosial X. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap program tersebut menggunakan algoritma klasifikasi teks Naïve Bayes dan Support Vector Machine (SVM). Data komentar dikumpulkan dari media sosial X, kemudian melalui tahapan preprocessing berupa cleaning, normalisasi, tokenisasi, stopword removal, dan stemming. Pelabelan sentimen dilakukan secara otomatis menggunaka RoBERTa Fine-Tuned, sedangkan ketidakseimbangan kelas ditangani menggunakan teknik SMOTE. Evaluasi model menggunakan metode K-Fold Cross Validation dengan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa sentimen publik terhadap program makan siang gratis didominasi oleh opini negatif sebesar 53,80%, sementara sentimen netral 24,49%, dan positif 21,72%. Model SVM memperoleh akurasi tertinggi sebesar 89,8%, unggul dalam mendeteksi sentimen positif (F1-score 0,929) dan negatif (0,880). Sebaliknya, Naïve Bayes mencatat akurasi 82,0% dengan performa yang lebih seimbang antar kelas sentimen. Dengan demikian, pemilihan algoritma bergantung pada fokus analisis: SVM tepat digunakan ketika tujuan utama adalah akurasi tinggi, sedangkan Naïve Bayes lebih sesuai apabila klasifikasi yang seimbang antar sentimen menjadi prioritas.

Actions (login required)

View Item