PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST DALAM ANALISIS SENTIMEN TANGGAPAN MASYARAKAT INDONESIA TERHADAP PERKEMBANGAN MOBIL LISTRIK PADA KOMENTAR VIDEO YOUTUBE

Ramadhani, Ahmad Virgiawan (2025) PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST DALAM ANALISIS SENTIMEN TANGGAPAN MASYARAKAT INDONESIA TERHADAP PERKEMBANGAN MOBIL LISTRIK PADA KOMENTAR VIDEO YOUTUBE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (242kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (670kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (527kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (69kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (156kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4451.zip Restricted to Repository staff only Download (363kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (835kB)

Abstract

Perkembangan media sosial menghasilkan data besar yang dapat dimanfaatkan untuk mengetahui opini masyarakat terhadap suatu isu. Namun, data teks yang tidak terstruktur menimbulkan tantangan dalam klasifikasi, khususnya analisis sentimen. Penelitian ini membandingkan performa algoritma Support Vector Machine (SVM) dan Random Forest dalam menganalisis sentimen komentar masyarakat Indonesia mengenai mobil listrik di YouTube. Metode penelitian mencakup pengumpulan data komentar, pra-pengolahan teks (case folding, tokenizing, stopword removal, stemming), serta pembobotan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Data kemudian diklasifikasikan menggunakan SVM dan Random Forest, dengan evaluasi berbasis akurasi, precision, recall, dan F1-score. Keempat metrik ini dipilih karena memberikan gambaran menyeluruh terhadap kinerja model, baik dari sisi ketepatan prediksi keseluruhan (akurasi), ketepatan tiap kelas (precision), kemampuan mengenali kelas sebenarnya (recall), maupun keseimbangan keduanya (F1-score). Hasil penelitian menunjukkan bahwa SVM memiliki performa lebih baik dengan akurasi 87%, precision 99%, recall 99%, dan macro average F1-score 87%, sedangkan Random Forest hanya mencapai akurasi 86%, precision 97%, recall 95%, dan macro average F1-score 86%. Keunggulan SVM dipengaruhi oleh kemampuannya dalam memisahkan data berdimensi tinggi dari representasi TF-IDF. Penelitian ini berkontribusi dalam membandingkan dua algoritma klasifikasi, khususnya menunjukkan bahwa pada lingkup penelitian ini, SVM lebih unggul dibanding Random Forest. Penelitian selanjutnya dapat diarahkan pada penggunaan data lebih besar dan algoritma yang lebih kompleks, tidak hanya untuk meningkatkan akurasi, tetapi juga aspek lain seperti generalisasi model, efisiensi komputasi, serta penanganan distribusi kelas yang lebih beragam.

Actions (login required)

View Item