Analisis Sentimen terhadap Teknologi Kendaraan Listrik Menggunakan Support Vector Machine dengan Feature Selection Genetic Algorithm

Hutabarat, Elisabeth (2023) Analisis Sentimen terhadap Teknologi Kendaraan Listrik Menggunakan Support Vector Machine dengan Feature Selection Genetic Algorithm. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (204kB) | Preview
Preview	PDF BAB_I.pdf Download (210kB) | Preview
Preview	PDF BAB_II.pdf Download (294kB) | Preview
Preview	PDF BAB_III.pdf Download (370kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (313kB)
Preview	PDF BAB_V.pdf Download (202kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (715kB)

Abstract

Jumlah kendaraan berbahan bakar fosil terus meningkat setiap tahunnya, hal tersebut juga meningkatkan emisi gas rumah kaca dan kelangkaan energi fosil, sehingga diperlukan sebuah energi terbarukan yang ramah lingkungan untuk menekan dan tingkat emisi gas rumah kaca dan kelangkaan energi. Pemerintah membuat kebijakan Peraturan Presiden (Perpres) No.55 Tahun 2019 mengenai pemakaian kendaraan listrik dengan baterai, dan memberikan subsidi untuk pembelian kendaraan listrik baik mobil listrik ataupun motor listrik. Hal tersebut menjadi perbincangan oleh masyarakat melalui media sosial terutama Twitter. Untuk mengetahui tanggapan masyarakat mengenai kendaraan listrik maka akan dibuat sistem analisis sentimen masyarakat terhadap teknologi kendaraan listrik. Dataset penelitian ditarik dari sosial media Twitter menggunakan metode scraping. Total data yang didapat sebanyak 10008 baris data. Data akan diklasifikasikan menjadi dua kelas yaitu kelas pro dan kontra dengan menggunakan dua pemodelan yaitu Support Vector Machine (SVM) dan Support Vector Machine (SVM) menggunakan seleksi fitur Genetic Algorithm (GA). Pemodelan Support Vector Machine (SVM) menghasilkan tingkat akurasi sebesar 87%. Pemodelan dengan Support Vector Machine (SVM) menggunakan seleksi fitur Genetic Algorithm (GA) memiliki tingkat akurasi lebih baik dari pemodelan SVM saja, tingkat akurasi yang didapat yaitu sebesar 91%. Setelah data diklasifikasikan terdapat 72.87% sentimen masyarakat pro dan 27.13% sentimen masyarakat kontra.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Analisis sentimen, Genetic Algorithm (GA), Kendaraan listrik, Support Vector Machine (SVM), Twitter
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:	06 Jul 2023 10:01
Last Modified:	24 Aug 2023 06:54
URI:	https://kc.umn.ac.id/id/eprint/25834

Actions (login required)

View Item