Deteksi Sentimen Menggunakan Metode SVM dan Analisis Trend Sentimen pada Aplikasi JMO

Ekaputra Sutanto, Rizky (2023) Deteksi Sentimen Menggunakan Metode SVM dan Analisis Trend Sentimen pada Aplikasi JMO. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (261kB)
	PDF BAB_II.pdf Download (947kB)
	PDF BAB_III.pdf Download (576kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (245kB)
	PDF DAFTAR_PUSTAKA.pdf Download (268kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (826kB)

Abstract

Pada era digital dengan pertumbuhan eksponensial data teks, analisis sentimen dapat digunakan untuk memahami opini dan emosi publik. Pasar analisis sentimen diproyeksikan akan mengalami pertumbuhan sebesar $1.39 miliar dari tahun 2021 hingga 2025. Aplikasi JMO dirilis sejak 2018 pada Google Play berfungsi sebagai media layanan informasi dan pelaporan program BPJS Ketenagakerjaan. Aplikasi JMO dengan 10 juta unduhan, pengguna aktif yang berkembang, dan data sentimen yang besar menciptakan urgensi untuk metode yang dapat menganalisis data secara efisien dan akurat mengingat 90% konsumen membaca ulasan online sebelum mengunjungi bisnis. Oleh karena itu dibuatlah penelitian analisis trend sentimen aplikasi JMO dengan data terpisah antara aplikasi dan layanan, data tahun 2018 hingga 2023 serta analisis trend sentimen secara menyeluruh, dan tahun ke tahun beserta isu berpengaruh terhadap trend sentimen. Algoritma yang digunakan adalah support vector machine dan performa model yang dibuat dilakukan dengan membagi data train-test dan membandingkan kernel pada algoritma support vector machine. Hasil dihitung menggunakan confusion matrix untuk mengukur performa dan kinerja dari pemodelan. Pada proses pelabelan dapat dilihat aplikasi JMO meningkat jauh lebih positif pada tahun 2021 hingga 2023, hal ini dikarenakan penyesuaian serta perbaikan yang dilakukan sesuai dengan yang dialami oleh pengguna serta penambahan fitur relevan yang mengakomodasi kebutuhan pengguna lebih baik. Hasil uji coba menunjukan kernel rbf pada pembagian data 80:20 memperoleh hasil yang lebih baik dibanding kernel linear dan kernel polynomial, Accuracy 99%, Precision 98,94%, Recall 96,96% dan F1-Score 97,90%. Dalam penelitian ini implementasi analisis trend sentimen aplikasi jmo menggunakan metode support vector machine telah berhasil dilakukan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Aplikasi, Analisis Sentimen, Confusion Matrix, JMO, Supoort Vector Machine, TF-IDF
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	06 Nov 2024 03:47
Last Modified:	06 Nov 2024 03:47
URI:	https://kc.umn.ac.id/id/eprint/32452

Actions (login required)

View Item