PENERAPAN METODE SUPPORT VECTOR MACHINE DAN EKSTRAKSI FITUR MODEL WORD2VEC UNTUK ANALISIS SENTIMEN PADA KOMENTAR TWITTER TERHADAP BENCANA LETUSAN GUNUNG BERAPI DI INDONESIA

Parikesit, Muhammad Raehan (2024) PENERAPAN METODE SUPPORT VECTOR MACHINE DAN EKSTRAKSI FITUR MODEL WORD2VEC UNTUK ANALISIS SENTIMEN PADA KOMENTAR TWITTER TERHADAP BENCANA LETUSAN GUNUNG BERAPI DI INDONESIA. Other thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (187kB)
	Text ABSTRAK.pdf Download (119kB)
	Text Lembar Pengesahan Pembimbing_Muhammad Raehan Parikesit_123200149.pdf Download (457kB)
	Text Lembar Pengesahan Penguji_Muhammad Raehan Parikesit_123200149.pdf Download (565kB)
	Text Daftar Isi.pdf Download (118kB)
	Text Daftar Pustaka.pdf Download (147kB)
	Text SKRIPSI_MUHAMMAD RAEHAN PARIKESIT_123200149.pdf Restricted to Repository staff only Download (5MB)

Abstract

Indonesia menghadapi risiko tinggi bencana alam seperti gempa bumi, tsunami,
tanah longsor, dan letusan gunung berapi. Analisis sentimen otomatis menggunakan metode
pembobotan biasa masih menghadapi berbagai tantangan. Metode pembobotan biasa sering
kali tidak mampu menangkap konteks dan nuansa sentimen dengan akurat, terutama dalam
bahasa Indonesia yang memiliki struktur linguistik yang kompleks. Selain itu, variasi data
tweet tentang bencana yang terbatas memperparah kesulitan dalam mengembangkan model
yang handal. Penggunaan metode klasik sering kali tidak mampu menghasilkan representasi
kata yang kaya dan kontekstual, sehingga mengurangi akurasi dan efisiensi analisis
sentimen.
Penelitian ini bertujuan menganalisis sentimen tweet terkait bencana letusan gunung
berapi di Indonesia dengan mempertimbangkan kategori emosional, informasi, dan tindakan.
Penelitian ini memanfaatkan ekstraksi fitur Word2Vec dan Support Vector Machine (SVM)
untuk mengatasi keterbatasan metode pembobotan biasa. Word2Vec dipilih karena
kemampuannya dalam menghasilkan representasi kata yang lebih baik dengan
mempertimbangkan hubungan semantik antar kata, sementara SVM digunakan untuk
klasifikasi sentimen karena keunggulannya dalam menangani data dengan dimensi tinggi
dan kompleks.
Temuan dalam penelitian ini, menunjukan bahwa kernel Radial Basis Function
(RBF) dipilih karena menunjukkan kinerja terbaik dengan akurasi sebesar 73%, precision
sebesar 71.33%, recall sebesar 69.66%, dan F1-Score sebesar 70.33%. Penelitian ini juga
mengembangkan model SVM untuk klasifikasi aspek kategori, yang mencapai akurasi
sebesar 72%, dengan precision rata-rata 72%, recall 65%, dan F1-Score 64%, menunjukkan
efektivitas model dalam mengkategorikan data yang terkait dengan berbagai aspek bencana
letusan gunung berapi. Hasil penelitian menunjukkan bahwa arsitektur Skip-Gram lebih
efektif dalam menangani variasi data yang rendah dan mampu merepresentasikan kata atau
frasa yang jarang muncul dengan baik dibandingkan dengan arsitektur CBOW.
Kata Kunci: Analisis Sentimen, Support Vector Machine, Word2Vec, Skip-Gram, Bencana Letusan Gunung Berapi, Twitter

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Support Vector Machine, Word2Vec, Skip-Gram, Bencana Letusan Gunung Berapi, Twitter
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Pambudi
Date Deposited:	24 Oct 2024 01:34
Last Modified:	24 Oct 2024 01:34
URI:	http://eprints.upnyk.ac.id/id/eprint/41457

Actions (login required)

View Item