IMPLEMENTASI METODE TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN TERHADAP OLIMPIADE PARIS 2024

Adriansyah, Dennis Bima (2024) IMPLEMENTASI METODE TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN TERHADAP OLIMPIADE PARIS 2024. Other thesis, UPN Veteran Yogyakarta.

	Text Cover_Dennis Bima Adriansyah_123200169.pdf Download (167kB)
	Text Abstrak_Dennis Bima Adriansyah_123200169.pdf Download (194kB)
	Text Lembar Pengesahan Pembimbing_Dennis Bima Adriansyah_123200169.pdf Download (325kB)
	Text Lembar Pengesahan Penguji_Dennis Bima Adriansyah_123200169.pdf Download (298kB)
	Text Daftar Isi_Dennis Bima Adriansyah_123200169.pdf Download (294kB)
	Text Daftar Pustaka_Dennis Bima Adriansyah_123200169.pdf Download (446kB)
	Text Skripsi Fulltext_Dennis Bima Adriansyah_123200169.pdf Restricted to Repository staff only Download (3MB)

Abstract

Olimpiade Paris 2024 menjadi salah satu perhelatan olahraga terbesar yang menarik
perhatian publik di seluruh dunia, memicu beragam respons yang terekam dalam banyak
unggahan digital di media sosial, termasuk platform X (Twitter). Hal ini menimbulkan
tantangan dalam mengidentifikasi berbagai jenis sentimen yang berkembang di masyarakat.
Respons publik yang beragam dapat mempengaruhi persepsi terhadap pelaksanaan acara dan
dampaknya terhadap citra Olimpiade secara keseluruhan. Oleh karena itu, pemahaman yang
tepat mengenai sentimen publik diperlukan suntuk mendukung pengambilan keputusan yang
responsif dan efektif terhadap respons masyarakat di masa depan.
Pada penelitian kali ini, dilakukan analisis sentimen terhadap Olimpiade Paris 2024
menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma
Random Forest. Metodologi penelitian ini mencakup pengumpulan data dari platform X
(Twitter), pelabelan data secara manual dan berbasis lexicon, preprocessing teks, pembobotan
menggunakan TF-IDF, pelatihan model menggunakan Random Forest, serta evaluasi performa
model berdasarkan akurasi, precision, recall, F1-score. Model Random Forest dilatih dengan
skenario pelabelan dan negation handling untuk memperoleh performa terbaik.
Hasil penelitian menunjukkan bahwa model terbaik diperoleh pada model dengan
pelabelan lexicon dengan negation handling, mencapai akurasi tertinggi sebesar 82%,
precision 82%, recall 91%, dan F1-score 86%. Penggunaan negation handling meningkatkan
akurasi model sebesar 2%, sementara model dengan pelabelan lexicon didapatkan nilai akurasi
2% lebih tinggi dibandingkan model dengan pelabelan manual. Temuan ini menunjukkan
bahwa pendekatan yang menggabungkan negation handling dan pelabelan lexicon mampu
meningkatkan performa analisis sentimen pada model dengan algoritma Random Forest dan
TF-IDF.
Kata Kunci: Analisis Sentimen, Random Forest, Decision Tree, TF-IDF, Olimpiade Paris
2024

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Random Forest, Decision Tree, TF-IDF, Olimpiade Paris 2024
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Pambudi
Date Deposited:	23 Dec 2024 00:54
Last Modified:	23 Dec 2024 00:54
URI:	http://eprints.upnyk.ac.id/id/eprint/41887

Actions (login required)

View Item