Nandini, Renaza Afidianti (2018) Analisis Sentimen Impor Beras 2018 Pada Twitter Menggunakan Metode Support Vector Machine Dan Pembobotan Jumlah Retweet. Sarjana thesis, Universitas Brawijaya.
Abstract
Media sosial Twitter merupakan salah satu basis data real time terbesar dan sangat berguna untuk mengetahui persepsi masyarakat di Indonesia. Permasalahan polemik impor beras pada tweet Twitter menjadi hal yang penting untuk dikaji sebagai pemrosesan teks. Pada penelitian ini membahas analisis sentimen pada Twitter impor beras 2018 menggunakan metode Support Vector Machine (SVM) dan Pembobotan Jumlah Retweet. Penggunaan fitur pembobotan jumlah retweet menggunakan perbandingan nilai konstanta (α dan β) tertentu sebanyak 11 kali untuk memperoleh hasil analisis kelas positif dan negatif. Data yang digunakan pada penelitian ini sebanyak 318 data yang terdiri dari dua jenis data yaitu data latih dan data uji dengan perbandingan 70% data latih dan 30% data uji. Dari hasil pengujian akurasi dengan menggunakan metode Support Vector Machine tanpa pembobotan jumlah retweet sebesar 50,00%, precision sebesar 49,46%, recall sebesar 97,87%, dan f-measure sebesar 65,71%. Hasil pengujian akurasi dengan menggunakan metode Support Vector Machine dengan pembobotan jumlah retweet sebesar 50,00%, precision sebesar 49,46%, recall sebesar 01,00% dan f-measure sebesar 65,73%. Dapat disimpulkan bahwa penggunaan fitur pembobotan jumlah retweet dapat memberikan hasil yang cukup optimal dan mampu melakukan klasifikasi dalam analisis sentimen.
English Abstract
Social media Twitter is one of the largest real time databases and is very useful for knowing people's perceptions in Indonesia. The issue of rice import polemic on Twitter tweets is an important thing to study as text processing. This study discusses sentiment analysis on 2018 rice import Twitter using the Support Vector Machine (SVM) method and Weighting the Number of Retweets. The use of the weighting feature of the number of retweets uses a comparison of certain constants (α and β) 11 times to obtain the results of positive and negative class analysis. The data used in this study were 318 data consisting of two types of data namely training data and test data with a ratio of 70% training data and 30% test data. From the results of accuracy testing using the Support Vector Machine method without weighting the number of retweets by 50.00%, precision by 49.46%, recall by 97.87%, and f-measure by 65.71%. Accuracy testing results using the Support Vector Machine method with a weighting of retweet amount of 50.00%, precision of 49.46%, recall of 01.00% and f-measure of 65.73%. It can be concluded that the use of the weighting feature of the number of retweets can provide optimal results and is able to classify sentiment analysis.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FTIK/2018/1053/051901082 |
Uncontrolled Keywords: | Twitter, analisis sentimen, Super Vector Machine, Pembobotan Jumlah retweet-Twitter, sentiment analysis, Super Vector Machine, Weighting Number of Retweets |
Subjects: | 300 Social sciences > 302 Social interaction > 302.2 Communication > 302.23 Media (Means of communication) |
Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
Depositing User: | soegeng sugeng |
Date Deposited: | 02 May 2020 13:53 |
Last Modified: | 19 Oct 2021 08:09 |
URI: | http://repository.ub.ac.id/id/eprint/167168 |
Preview |
Text
Renaza Afidianti Nandini.pdf Download (10MB) | Preview |
Actions (login required)
![]() |
View Item |