LASIFIKASI JENIS KELAMIN PENGGUNA X BERDASARKAN CUITAN MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION, RANDOM FOREST, DAN SUPPORT VECTOR MACHINE

Lestari, Ines Puji (2026) LASIFIKASI JENIS KELAMIN PENGGUNA X BERDASARKAN CUITAN MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION, RANDOM FOREST, DAN SUPPORT VECTOR MACHINE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER - ABSTRAK)
COVER.pdf - Published Version
Download (798kB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (232kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (818kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (218kB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (889kB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (79kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version
Restricted to Registered users only
Download (109kB)
[img] Archive (SOURCE CODE)
Sourcecode - 22.11.4884.zip
Restricted to Repository staff only
Download (437kB)
[img] Text (PUBLIKASI)
Publikasi.pdf - Published Version
Restricted to Repository staff only
Download (4MB)

Abstract

Penelitian ini dilatarbelakangi oleh banyaknya data teks yang dihasilkan pengguna media sosial X, sementara informasi demografis seperti jenis kelamin tidak selalu ditampilkan secara terbuka. Kondisi ini menyebabkan identifikasi karakteristik pengguna menjadi sulit dilakukan secara langsung. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan jenis kelamin pengguna berdasarkan teks cuitan menggunakan pendekatan Natural Language Processing dan machine learning. Dataset diperoleh dari Kaggle dengan jumlah awal sekitar 20.000 data, kemudian dilakukan penyaringan dan pelabelan ulang hingga diperoleh 1.026 data yang terdiri dari 456 data perempuan dan 570 data laki-laki. Tahap penelitian meliputi pra-pemrosesan teks, ekstraksi fitur menggunakan TF- IDF, serta pemodelan menggunakan algoritma Logistic Regression, Random Forest, dan Support Vector Machine. Evaluasi dilakukan menggunakan K-Fold Cross Validation dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan adanya perbedaan pola bahasa antara pengguna laki-laki dan perempuan yang dapat dimanfaatkan dalam proses klasifikasi. Algoritma Support Vector Machine menghasilkan performa terbaik dengan akurasi rata-rata 89,76%. Penelitian ini diharapkan dapat dimanfaatkan dalam pengembangan sistem analisis pengguna media sosial, pemasaran digital, serta penelitian lanjutan di bidang analisis teks.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Agastya, I Made Artha
Uncontrolled Keywords: Klasifikasi gender, Teks media sosial, TF-IDF, Machine learning, Support Vector Machine, Gender classification, Social media text.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 15 Jul 2026 03:30
Last Modified: 15 Jul 2026 03:30
URI: http://eprints.amikom.ac.id/id/eprint/32159

Actions (login required)

View Item View Item