ANALISIS SENTIMEN MEDIA SOSIAL MENGGUNAKAN BINARYCLASS DAN MULTICLASS SUPPORT VECTOR MACHINE SEBAGAI REKOMENDASI JASA EKSPEDISI

Setiawan, Ikhsan (2023) ANALISIS SENTIMEN MEDIA SOSIAL MENGGUNAKAN BINARYCLASS DAN MULTICLASS SUPPORT VECTOR MACHINE SEBAGAI REKOMENDASI JASA EKSPEDISI. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (12kB)
	Text COVER.pdf Download (89kB)
	Text DAFTAR ISI.pdf Download (64kB)
	Text DAFTAR PUSTAKA.pdf Download (80kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (609kB)
	Text SKRIPSI FULL_IKHSAN SETIAWAN_123190111.pdf Restricted to Repository staff only Download (4MB)

Abstract

Dalam bisnis perdagangan, jasa ekspedisi menjadi solusi praktis bagi para pelaku bisnis yang beroperasi di mana saja. Terlebih dengan tren perdagangan online saat ini, perusahaan ekspedisi semakin beragam. Pendapat atau opini orang lain dapat dijadikan salah satu referensi dalam memilih jasa ekspedisi. Media sosial Twitter adalah salah satu sarana masyarakat dalam mengungkapkan opini berupa kritik, saran atau pendapat terhadap suatu hal. Oleh karena itu, analisis sentimen diperlukan, yang dapat mengkategorikan ulasan tersebut secara otomatis ke dalam sentimen positif atau negatif, serta kategori harga, kecepatan, keamanan, dan pelayanan, yang pada akhirnya menghasilkan rekomendasi jasa ekspedisi terbaik.
Penelitian ini akan melakukan analisis sentimen menggunakan tweet berbahasa Indonesia untuk mengukur akurasi, presisi dan recall metode klasifikasi SVM, baik pada klasifikasi binaryclass maupun multiclass. Data yang digunakan diperoleh melalui web scraping dari Twitter API dan diberi label secara manual. Kemudian, data tersebut mengalami tahap preprocessing yang selanjutnya diikuti oleh pemberian bobot pada kata menggunakan metode TF-IDF. Hasil proses TF-IDF digunakan sebagai dasar melatih model SVM. Dalam model SVM yang dihasilkan, digunakan kernel RBF serta pendekatan multiclass One Versus All (OVA) untuk skenario klasifikasi multiclass. Dataset terdiri dari 2000 data, dengan 80% (1600 data) untuk pelatihan dan 20% sisanya (400 data) untuk pengujian.
Berdasarkan hasil pengujian menggunakan confusion matrix, algoritma SVM untuk klasfikasi dua kelas (binaryclass) memperoleh akurasi sebesar 97,25%, presisi sebesar 95%, dan recall sebesar 65,52%. Sementara itu, untuk klasfikasi kelas jamak (multiclass) algoritma SVM memperoleh nilai akurasi sebesar 85,75%, presisi sebesar 89,51%, recall sebesar 81,92%.
Kata kunci : Jasa Ekspedisi, Analisis Sentimen, SVM, Confusion Matrix

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Jasa Ekspedisi, Analisis Sentimen, SVM, Confusion Matrix
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	09 Oct 2023 04:26
Last Modified:	09 Oct 2023 04:26
URI:	http://eprints.upnyk.ac.id/id/eprint/37915

Actions (login required)

View Item