PENINGKATAN PERFORMA ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP KEBIJAKAN TAPERA MENGGUNAKAN NAÏVE BAYES, SMOTE, DAN PARTICLE SWARM OPTIMIZATION

Ilham N. T. H, Muhammad (2025) PENINGKATAN PERFORMA ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP KEBIJAKAN TAPERA MENGGUNAKAN NAÏVE BAYES, SMOTE, DAN PARTICLE SWARM OPTIMIZATION. Skripsi thesis, UPN "Veteran"Yogyakarta.

	Text 2_Cover_Muhammad Ilham N. T. H_123200168.pdf Download (176kB)
	Text 3_Abstrak_Muhammad Ilham N. T. H_123200168.pdf Download (234kB)
	Text 4_Halaman Pengesahan_Muhammad Ilham N. T. H_123200168.pdf Download (249kB)
	Text 5_Daftar isi_Muhammad Ilham N. T. H_123200168.pdf Download (308kB)
	Text 6_Daftar Pustaka_Muhammad Ilham N. T. H_123200168.pdf Download (187kB)
	Text 1_Skripsi full_Muhammad Ilham N. T. H_123200168.pdf Restricted to Repository staff only Download (2MB)

Abstract

Analisis sentimen merupakan salah satu cabang dari pemrosesan bahasa alami (Natural
Language Processing) yang bertujuan untuk mengidentifikasi opini atau emosi seseorang
terhadap suatu topik, produk, atau kebijakan. Dalam penelitian ini, dilakukan analisis
sentimen opini masyarakat terhadap kebijakan Tabungan Perumahan Rakyat (Tapera) yang
menjadi isu publik di Indonesia. Model klasifikasi yang digunakan adalah Naive Bayes, yang
kemudian menggunakan Particle Swarm Optimization (PSO) untuk mendapatkan parameter
terbaik, serta diterapkan SMOTE (Synthetic Minority Over-sampling Technique) untuk
menangani ketidakseimbangan kelas pada data latih.
Tahapan preprocessing mencakup pembersihan teks, penghapusan stopword, tokenisasi,
normalisasi kata, penanganan negasi, stemming, serta pembobotan menggunakan TF-IDF.
Setelah dilakukan peningkatan performa dengan PSO terhadap parameter alpha dan fit_prior,
diperoleh konfigurasi terbaik yaitu alpha = 0.01 dan fit_prior = False, yang menghasilkan
akurasi cross-validation sebesar 92,97%. Model kemudian dilatih ulang dan diuji, dengan
hasil performa pada data latih mencapai akurasi, precision, recall, dan F1-score sebesar 94%.
Sementara pada data uji, evaluasi menggunakan confusion matrix menunjukkan bahwa
model mampu mengklasifikasikan ketiga kelas sentimen (positif, netral, negatif) secara
akurat dan seimbang.
Hasil penelitian ini menunjukkan bahwa kombinasi antara algoritma Naive Bayes, teknik
SMOTE, dan peningkatan performa menggunakan PSO dapat meningkatkan performa
klasifikasi dalam analisis sentimen kebijakan pemerintah secara signifikan.
Kata Kunci: Analisis Sentimen, Naive Bayes, PSO, SMOTE, Tapera, TF-IDF.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Muhammad Ilham N. T. H (Penulis - 123200168); Nur Heri Cahyana (Pembimbing)
Uncontrolled Keywords:	Analisis Sentimen, Naive Bayes, PSO, SMOTE, Tapera, TF-IDF.
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	19 Nov 2025 04:29
Last Modified:	19 Nov 2025 04:49
URI:	http://eprints.upnyk.ac.id/id/eprint/45560

Actions (login required)

View Item