Implementasi Algoritma Multinomial Naive Bayes dalam Analisis Sentimen terhadap Vaksinasi COVID-19 pada Media Sosial Twitter

Liana, Liana (2022) Implementasi Algoritma Multinomial Naive Bayes dalam Analisis Sentimen terhadap Vaksinasi COVID-19 pada Media Sosial Twitter. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (991kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (258kB) | Preview
Preview	PDF BAB_I.pdf Download (235kB) | Preview
Preview	PDF BAB_II.pdf Download (353kB) | Preview
Preview	PDF BAB_III.pdf Download (720kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
Preview	PDF BAB_V.pdf Download (227kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (683kB)

Abstract

Berdasarkan survei yang diberlakukan sebelum pendistribusian vaksinasi COVID- 19 dimulai, sebanyak 45,7% responden menyatakan bahwa mereka tidak bersedia untuk menerima vaksin. Sedangkan, pada 13 Januari 2021, vaksinasi sudah mu- lai diberlakukan. Respon yang diberikan juga bermunculan sebelum dan sesudah vaksinasi dilakukan. Salah satu media sosial yang digunakan untuk mencurahkan respon tersebut adalah Twitter, baik itu mendukung ataupun menolak adanya vaksi- nasi. Oleh karena itu, penelitian ini dibuat dengan tujuan untuk mengklasifikasi apakah suatu curahan yang diunggah melalui media sosial tersebut termasuk sen- timen yang positif, netral, atau negatif. Model klasifikasi yang digunakan adalah algoritma Multinomial Na¨ive Bayes dengan bantuan model pembobotan kata TF- IDF Vectorizer yang dapat memberikan bobot kata lebih baik dibandingkan Count Vectorizer. Dari penelitian yang telah dilakukan pada dataset yang tidak seim- bang, klasifikasi terbaik dilakukan dengan tanpa menggunakan TF-IDF Vector- izer, dengan f1-score sebesar 55,01% dan akurasi sebesar 69,81% ketika hasil dari klasifikasi yang benar sangat diperhatikan. Namun, ketika memperhatikan jumlah klasifikasi yang benar, maka TF-IDF Vectorizer memberikan klasifikasi terbaik de- ngan f1-score mencapai 47,72% dan akurasi mencapai 71,19%. Sedangkan, untuk dataset yang seimbang, klasifikasi terbaik didapatkan ketika menggunakan TF-IDF Vectorizer, dengan f1-score sebesar 82,81% dan akurasi sebesar 83,18%.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Analisis Sentimen, Multinomial Na¨ive Bayes, TF-IDF Vectorizer, Twitter, Vaksinasi COVID-19
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Jul 2022 03:47
Last Modified:	23 Aug 2023 07:09
URI:	https://kc.umn.ac.id/id/eprint/21896

Actions (login required)

View Item