Syarif, Afif Afian (2023) Penerapan Algoritma Support Vector Machine (Svm) Untuk Analisis Sentimen Opini Masyarakat Terhadap Ganjar Pranowo Dari Sosial Media Twiter. S1 thesis, Universitas Muhammadiyah Purwokerto.

Text
AFIF AFIAN SYARIF_COVER.pdf

Download (11MB)
Text
AFIF AFIAN SYARIF_BAB I.pdf

Download (999kB)
Text
AFIF AFIAN SYARIF_BAB II.pdf

Download (1MB)
Text
AFIF AFIAN SYARIF_BAB III.pdf
Restricted to Registered users only

Download (1MB)
Text
AFIF AFIAN SYARIF_BAB IV.pdf
Restricted to Registered users only

Download (1MB)
Text
AFIF AFIAN SYARIF_BAB V.pdf
Restricted to Registered users only

Download (995kB)
Text
AFIF AFIAN SYARIF_DAFTAR PUSTAKA.pdf

Download (987kB)
Text
AFIF AFIAN SYARIF_LAMPIRAN.pdf
Restricted to Registered users only

Download (2MB)

Abstract

Pertumbuhan pengguna internet di Indonesia juga mengalami peningkatan sebesar 12.6% pada 2022. Populasi pengguna internet di Indonesia mencapai 204.7 juta pengguna pada periode februari 2022 dengan pengguna aktif sosial media sebanyak 191.4 juta user atau 68.9% dari total populasi yang ada. Platform sosial media yang paling banyak digunakan adalah whatsapp, instagram, facebook, tiktok, telegram, twitter, facebook messenger, line dll. Jumlah pengguna twitter di Indonesia pada periode februari 2022 mencapai 58.3%. Twitter merupakan sebuah layanan microblogging yang mana para pengguna twitter dapat mengirimkan pesan secara real time. Berbagai tanggapan di twitter dari kalangan masyarakat pun muncul mulai dari komentar seperti sebuah kritikan, saran, atau pujian terhadap Ganjar Pranowo. Metode yang digunakan dalam penelitian ini adalah metode Support Vector Machine. Support Vector Machine (SVM) adalah metode supervised learning yang membutuhkan tahap sequential training terlebih dahulu untuk melakukan implementasinya dan harus melalui tahap pengujian sebelum melakukan implementasi. Metode Support Vector Machine (SVM) juga memiliki kelebihan dalam melakukan identifikasi hyperplane agar dapat memaksimalkan margin dari kelas yang berbeda. Support Vector Machine (SVM) juga memiliki kekurangan yaitu fitur yang sama dapat mempengaruhi hasil akurasi dari metode SVM. Pada penelitian ini menghasilkan nilai accuracy sebesar 91%, kemudian precission positive 87%, precission negative 76%, precission neutral 93% kemudian nilai persentase recall positive 86%, recall negative 51%, recall neutral 95% dan yang terakhir adalah persentase f1-score positive 86%, f1-score negative 61%, f1-score neutral sebesar 94%.

Dosen Pembimbing: Fitriani, Maulida Ayu | nidn 0622099102
Item Type: Thesis (S1)
Uncontrolled Keywords: Ganjar Pranowo, Analisis Sentimen, SVM
Subjects: Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions: Fakultas Tekniik Dan Sains > Teknik Informatika S1
Depositing User: Catur Indra Himawan
Date Deposited: 20 Feb 2023 01:49
Last Modified: 18 Mar 2025 07:33
URI: http://repository.ump.ac.id/id/eprint/15218

Actions (login required)

View Item
View Item