Analisis Sentimen dan Pemodelan Topik dari Media Sosial Bank Digital di Indonesia Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation

Milenia, Anastasia (2022) Analisis Sentimen dan Pemodelan Topik dari Media Sosial Bank Digital di Indonesia Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (237kB) | Preview
Preview	PDF BAB_I.pdf Download (343kB) | Preview
Preview	PDF BAB_II.pdf Download (299kB) | Preview
Preview	PDF BAB_III.pdf Download (494kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (145kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Penggunaan layanan perbankan berbasis internet lebih banyak digunakan dibandingkan yang berada pada kantor fisik ataupun mesin ATM. Jumlah bank digital di Indonesia sendiri sejak lima tahun terakhir selalu bertambah bersama dengan jumlah pengaduan konsumen mengenai perbankan. Media sosial menjadi salah satu platform masyarakat untuk menyampaikan pengaduan dan opininya. Berdasarkan informasi di media sosial, proses text mining seperti analisis sentimen dan pemodelan topik dapat dilakukan untuk membandingkan fitur serta mengetahui opini publik atas bank digital yang bersaing di Indonesia. Tujuan dari dilakukannya penelitian ini adalah untuk mengklasifikasikan sentimen dan memperoleh topik dari data media sosial ketiga bank digital berdasarkan sentimennya. Proses analisis sentimen dilakukan dengan algoritma Naïve Bayes dan Latent Dirichlet Allocation untuk pemodelan topik. Data media sosial yang digunakan berasal dari hasil scraping di Twitter dan Instagram mengenai bank digital Jenius, Jago, dan Line Bank. Dari hasil penelitian ini didapatkan algoritma Naïve Bayes mampu mengklasifikasikan sentimen data media sosial dengan baik, dimana nilai maksimal F1 score yang diperoleh sebesar 0.901. Pemodelan topik menggunakan Latent Dirichlet Allocation memperoleh coherence score tertinggi sebesar 0.476756.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Analisis Sentimen, Bank Digital, Latent Dirichlet Allocation (LDA), Naïve Bayes, Topic Modelling.
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++ 300 Social Sciences > 330 Economics > 332 Financial Economics (Shares, Investment) > 332.1 Banks, Banking Services, Central Banks, World Bank
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Jul 2022 04:25
Last Modified:	03 Aug 2023 05:44
URI:	https://kc.umn.ac.id/id/eprint/22377

Actions (login required)

View Item