KLASIFIKASI EMOSI MULTI LABEL TEKS TWITTER MERDEKA BELAJAR KAMPUS MERDEKA(MBKM) MENGGUNAKAN METODE MULTINOMINAL NAÏVE BAYES DAN PEMBOBOTAN TF-IDF

ADININGSIH, FIQRI UPAKARTI (2023) KLASIFIKASI EMOSI MULTI LABEL TEKS TWITTER MERDEKA BELAJAR KAMPUS MERDEKA(MBKM) MENGGUNAKAN METODE MULTINOMINAL NAÏVE BAYES DAN PEMBOBOTAN TF-IDF. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (575kB)
	Text COVER.pdf Download (456kB)
	Text DAFTAR ISI.pdf Download (967kB)
	Text DAFTAR PUSTAKA.pdf Download (1MB)
	Text PENGESAHAN PEMBIMBING.pdf Download (333kB)
	Text PENGESAHAN PENGUJI.pdf Download (306kB)
	Text SKRIPSI FULL_FIQRI UPAKARTI ADININGSIH.pdf Restricted to Repository staff only Download (4MB)

Abstract

Program Merdeka Belajar Kampus Merdeka (MBKM) merupakan salah satu program Kementrian Pendidikan dan Kebudayaan untuk meningkatkan pendidikan yang selaras dengan perkembangan teknologi. Respon terhadap pelaksanaan MBKM menuai berbagai opini pro dan kontra dari berbagai kalangan, salah satunya opini pada media sosial Twitter. Opini masyarakatkan dapat dikelompokkan menjadi beberapa emosi seperti senang, marah maupun terkejut. Dengan emosi-emosi ini menjadi dasar untuk keputusan dalam mengevaluasi layanan. Namun, dalam menuai opini terdapat ketidakmampuan model klasifikasi multi class dalam menglasifikasikan teks yang memiliki emosi lebih dari satu sehingga dibutuhkan penerapkan model klasifikasi multi label.
Pada penelitian ini, untuk mengklasifikasikan emosi yang mampu menghasilkan lebih dari satu emosi pada teks Twitter mengenai opini pelaksanaan MBKM menggunakan klasifikasi multi label dengan jenis Binary Relevance dengan model Multinominal Nai’ve Bayes dan pemobobotan TF-IDF untuk mengklasifikasikan emosi yang mampu menghasilkan lebih dari satu emosi pada teks.
Berdasarkan hasil penelitian yang telah dilakukan, maka hasil dari penerapan klasifikasi multi label menggunakan Multinominal Nai’ve Bayes dan pemobobotan TF-IDF mampu menghasilkan klasifikasi berbagai emosi sesuai emosi yang terdapat pada teks dengan akurasi yang dihasilkan sebesar 63,3%. Label yang dihasilkan berjumlah 0 label, 1 label maupun 2 label sesuai sesuai emosi yang terdapat pada teks.
Ketidaktepatan klasifikasi pada penelitian ini dapat dipengaruhi oleh beberapa faktor, faktor pada dataset yang digunakan masih bersifat unstructured data. Walaupun sudah melalui tahapan preprocessing, model yang dibangun masih memiliki keterbatasan dalam variasi kata seperti kata-kata yang digunakan dalam keseharian dan banyaknya variasi dalam mengungkapkan ekspresi emosi. Faktor pada Multinominal Nai‘ve Bayes mengasumsikan bahwa setiap fitur adalah independen satu sama lain. Akan tetapi, dalam klasifikasi multi-label, fitur-fitur dapat saling bergantung satu sama lain. Sebagai contoh, kata-kata tertentu mungkin sering muncul bersama-sama dalam dokumen yang sama. Ketergantungan fitur seperti ini tidak dapat ditangkap oleh model Multinominal Nai‘ve Bayes yang asumsi independen. Faktor lainnya, yaitu terdapat beberapa kata yang seharusnya memiliki emosi lebih dari satu namun masih belum sesuai jika dibandingkan dengan data hasil sebenarnya. Hal itu dapat terjadi karena pada proses klasifikasi, data teks tersebut masih belum melewati threshold untuk mendapatkan kelas tertentu. Threshold pada multi-label sendiri menggunakan nilai 0.5 sehingga label emosi tidak mampu muncul pada klasifikasi tersebut dan sulit untuk menentukan threshold untuk memutuskan apakah suatu dokumen termasuk ke dalam label tertentu atau tidak.

Kata kunci: Merdeka Belajar Kampus Merdeka; Multinominal Na’ive Bayes,• multilabel

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Merdeka Belajar Kampus Merdeka; Multinominal Na’ive Bayes, multilabel
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	04 Aug 2023 03:43
Last Modified:	04 Aug 2023 03:43
URI:	http://eprints.upnyk.ac.id/id/eprint/36785

Actions (login required)

View Item