KOMPARASI FUNGSI KERNEL METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN INSTAGRAM DAN TWITTER (Studi Kasus : Komisi Pemberantasan Korupsi (KPK))

Praghakusma, Akbar Zaiem (2021) KOMPARASI FUNGSI KERNEL METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN INSTAGRAM DAN TWITTER (Studi Kasus : Komisi Pemberantasan Korupsi (KPK)). Other thesis, UPN Veteran Yogyakarta.

Preview	Text 2. ABSTRAK_Akbar Zaiem Praghakusma_123160150.pdf Download (33kB) | Preview
Preview	Text 3. COVER_Akbar Zaiem Praghakusma_123160150.pdf Download (110kB) | Preview
Preview	Text 4. LEMBAR PENGESAHAN JADI SATU_Akbar Zaiem Praghakusma_123160150.pdf Download (919kB) | Preview
Preview	Text 6. DAFTAR PUSTAKA_Akbar Zaiem Praghakusma_123160150.pdf Download (174kB) | Preview
	Text 1.-SKRIPSI-FULL--Akbar-Zaiem-Praghakusma-123160150.pdf Restricted to Repository staff only Download (6MB)

Abstract

Akun resmi media sosial instagram dan twitter Komisi Pemberantasan Korupsi (KPK) per 25 Maret 2021 memiliki jumlah follower (pengikut) berjumlah 608 ribu dan 3.4 juta, terbanyak dibanding akun resmi instagram dan twitter 14 lembaga negara independen lainnya, tentu hal ini menandakan bahwa atensi besar masyarakat terhadap KPK itu tinggi. Atensi besar masyarakat terhadap KPK di media sosial instagram dan twitter beragam, mulai dari yang mendukung, menghujat, hingga bersikap netral. Akan tetapi media sosial instagram dan twitter tidak dapat mengklasifikasikan suatu komentar apakah bersifat positif, negatif, atau netral. Padahal jika suatu komentar di media sosial dapat diketahui apakah bersifat positif, negatif atau netral khususnya di akun resmi suatu lembaga, maka dapat membantu untuk menjadi salah satu tolak ukur untuk mengetahui atau menilai citra lembaga di mata masyarakat. Untuk itu maka diperlukan suatu teknik pengklasifikasian komentar yang disebut analisis sentimen.
Penelitian ini menggunakan salah satu metode dari machine learning yaitu Support Vector Machine. Metode ini bekerja dengan mencari hyperplane terbaik untuk memisahkan class pada input space. Support Vector Machine menerapkan pemisahan linier pada input data non linier dengan menggunakan fungsi kernel, pemilihan fungsi kernel akan mempengaruhi performa yang dihasilkan. Performa fungsi kernel yang akan dibandingkan yaitu kernel linier, kernel polinomial, dan kernel sigmoid. Proses yang dilakukan dalam penelitian ini dimulai dengan mengumpulkan data dari media sosial instagram dan twitter, labelling manual data oleh responden, proses preprocessing data, pembobotan data dengan term inverse - document inverse frequency (tf-idf), pembuatan model training, menguji model training dengan data uji, menghitung performa model dengan confusion matrix.
Berdasarkan hasil pengujian dengan confuson matrix, menunjukkan bahwa kinerja kernel linier menghasilkan akurasi sebesar 86.81 %, presisi sebesar 84.90 %, dan recall sebesar 85.84 %, kernel polinomial menghasilkan akurasi sebesar 86.81 %, presisi sebesar 84.90 %, dan recall sebesar 85.84 %, serta kernel sigmoid menghasilkan akurasi sebesar 80.21 %, presisi sebesar 77.64 %, dan recall sebesar 79.22 %. Dilihat dari hasil akurasi, presisi dan recall menunjukkan bahwa performa kernel linier dan kernel polinomial yaitu sama, kedua kernel performanya lebih baik ketimbang kernel sigmoid. Menunjukkan bahwa kernel linier dan kernel polinomial pada metode Support Vector Machine cocok untuk analisis sentimen atau klasifikasi teks.
Kata kunci : Analisis Sentimen, Komisi Pemberantasan Korupsi, Instagram, Twitter, Support Vector Machine, Kernel Linier, Kernel Polinomial, Kernel Sigmoid

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Komisi Pemberantasan Korupsi, Instagram, Twitter, Support Vector Machine, Kernel Linier, Kernel Polinomial, Kernel Sigmoid
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	01 Dec 2021 03:09
Last Modified:	10 Nov 2022 06:49
URI:	http://eprints.upnyk.ac.id/id/eprint/27183

Actions (login required)

View Item