UMN Knowledge Center

Analisis Sentimen 100 Hari Kerja Presiden Joko Widodo Menggunakan Text Mining

Calvin, Calvin (2020) Analisis Sentimen 100 Hari Kerja Presiden Joko Widodo Menggunakan Text Mining. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img]
Preview
PDF
HALAMAN_AWAL.pdf

Download (796kB) | Preview
[img]
Preview
PDF
DAFTAR_PUSTAKA.pdf

Download (130kB) | Preview
[img]
Preview
PDF
BAB_I.pdf

Download (9kB) | Preview
[img] PDF
BAB_II.pdf
Restricted to Registered users only

Download (297kB)
[img] PDF
BAB_III.pdf
Restricted to Registered users only

Download (292kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (1MB)
[img] PDF
BAB_V.pdf
Restricted to Registered users only

Download (4kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (48kB)

Abstract

Oleh: Calvin Ir. H. Joko Widodo adalah Presiden ke-7 Indonesia yang mulai menjabat menjabat pada tanggal 20 Oktober 2014. Pada tahun 2019 Ir. H. Joko Widodo terpilih menjadi Presiden untuk kedua kalinya. Terpilih kembalinya Joko Widodo tidak lepas dari hasil kinerja periode pertamanya dan dukungan masyarakat. Tidak semua masyarakat mendukung Joko Widodo karena adanya pro dan kontra. Dukungan masyarakat dapat dilihat pada media sosial seperti Twitter sebagai sarana menyampaikan pendapat dan kritik. Tujuan penelitian untuk mengetahui sentimen terhadap Joko Widodo dari pendapat dan kritik masyarakat di Twitter. Penelitian ini menggunakan analisis sentimen dengan text mining. Adapun sumber data yang digunakan adalah data tweet 100 hari kerja pertama dengan #jokowi, #jokowimaruf, #menterijokowi dari Twitter. Data akan di klasifikasi menggunakan SVM dan Naïve Bayes untuk mengetahui prediksi sentimen dan akurasi. Aplikasi yang digunakan untuk sentimen analisis dan klasifikasi adalah Rapidminer. Dari penelitian yang dilakukan, diperoleh kesimpulan sentimen positif lebih tinggi untuk Presiden Joko Widodo sebesar 66.67% dibandingkan dengan negatif sebesar 33.33%. metode klasifikasi KNN memiliki akurasi yang lebih tinggi yaitu sebesar 81.11% dibandingkan dengan SVM sebesar 79.56% dan Naïve Bayes sebesar 75.74%.

Item Type: Thesis (Bachelor Thesis)
Uncontrolled Keywords: Analisis Sentimen, KNN, Naïve Bayes, RapidMiner, SVM, Text Mining
Subjects: T Technology > T Technology (General) > T55 Industrial engineering. Management engineering > T70 Information System
Divisions: Fakultas Teknik Informatika > Program Studi Sistem Informasi
SWORD Depositor: mr admin umn
Depositing User: mr admin umn
Date Deposited: 05 Dec 2020 00:07
Last Modified: 05 Dec 2020 00:07
URI: http://kc.umn.ac.id/id/eprint/14090

Actions (login required)

View Item View Item