Geovanni Mulin, Meisha (2025) Analisis sentimen komentar ulasan mobil listrik pada youtube dengan menggunakan algoritma nb svm dan knn. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (1MB) |
![]() |
PDF
BAB_I.pdf Download (310kB) |
![]() |
PDF
BAB_II.pdf Download (634kB) |
![]() |
PDF
BAB_III.pdf Download (286kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
BAB_V.pdf Download (160kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (187kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (589kB) |
Abstract
Perkembangan teknologi telah mendorong transformasi signifikan di berbagai sektor, termasuk industri otomotif, dengan munculnya mobil listrik sebagai solusi transportasi yang lebih efisien dan ramah lingkungan. Meski demikian, tingkat adopsi mobil listrik di Indonesia masih terbatas. Pemilihan "Wuling Binguo EV" dan "BYD M6" didasarkan penjualan mobil listrik terbanyak pada tahun 2024. Penelitian ini menggunakan metode CRISP-DM dengan melakukan proses scraping untuk mengumpulkan data komentar pengguna dari platform YouTube. Tahapan analisis dimulai dengan preprocessing teks dan pelabelan sentimen dengan TextBlob. Data kemudian direpresentasikan menggunakan metode TF-IDF dan SMOTE. Beberapa algoritma machine learning yan digunakan termasuk Support Vector Machine (SVM), Naïve Bayes (NB), dan K-Nearest Neighbor (KNN). Hasil evaluasi menunjukkan bahwa model SVM dengan Grid Search dan SMOTE memberikan performa terbaik dengan akurasi sebesar 93.58%, precision 90%, recall 88%, dan F1-score 89%. Hasil akhir dari analisis sentimen berupa web Streamlit. Sistem ini memberikan kontribusi nyata sebagai alat pendukung bagi regulator dan industri otomotif dalam memantau opini publik secara real-time dan menyusun strategi berbasis bukti untuk pengembangan kendaraan listrik di Indonesia.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | Analisis sentimen, K-Nearest Neighbors, Mobil listrik, Naïve Bayes, Youtube |
Subjects: | ?? T70 ?? |
Divisions: | Faculty of Engineering & Informatics > Information System |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 06 Jul 2025 11:02 |
Last Modified: | 06 Jul 2025 11:02 |
URI: | https://kc.umn.ac.id/id/eprint/37844 |
Actions (login required)
![]() |
View Item |