Analisis Sentimen terhadap Tagar Kabur Aja Dulu di Media Sosial X Menggunakan Support Vector Machine

Bayu Pratama, Muhammad (2025) Analisis Sentimen terhadap Tagar Kabur Aja Dulu di Media Sosial X Menggunakan Support Vector Machine. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (215kB)
	PDF BAB_II.pdf Download (263kB)
	PDF BAB_III.pdf Download (340kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (228kB)
	PDF DAFTAR_PUSTAKA.pdf Download (214kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (261kB)

Abstract

Peningkatan aktivitas digital telah mendorong opini publik semakin luas tersebar di media sosial, termasuk topik-topik sensitif seperti keresahan sosial melalui frasa "kabur aja dulu". Penelitian ini bertujuan untuk mengklasifikasikan sentimen dari teks berbahasa Indonesia di media sosial X terkait fenomena tersebut menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan melalui web crawling pada periode Januari hingga April 2025, menghasilkan 4.236 tweet. Analisis dilakukan dengan empat skenario yang memvariasikan penerapan stemming, teknik penyeimbangan data SMOTE oversampling, dan konfigurasi parameter grid. Dataset dibagi dalam tiga rasio (60:20:20, 70:15:15, dan 80:10:10), dengan ekstraksi fitur menggunakan metode Term Frequency­Inverse Document Frequency (TF-IDF), serta parameter terbaik ditentukan melalui Grid Search. Hasil terbaik diperoleh pada skenario dengan stemming tanpa SMOTE, parameter sempit, dan data split 80:10:10, menghasilkan nilai precision, recall, dan f1-score masing- masing 0,85 serta akurasi 85%, pada konfigurasi C = 15, class weight = None, dan max iter = 5000. Penelitian ini menunjukkan bahwa kombinasi preprocessing teks yang tepat dengan pemilihan parameter efisien mampu meningkatkan performa klasifikasi tanpa bergantung pada metode penyeimbangan data sintetik. Hasil klasifikasi juga menunjukkan dominasi sentimen negatif sebanyak 2.974 tweet (70,2%), diikuti netral 699 tweet (16,5%), dan positif 563 tweet (13,3%). Ini mencerminkan persepsi publik yang cenderung kritis atau pesimistis, sehingga menjadi indikator penting bagi evaluasi kebijakan terhadap faktor sosial dan ekonomi yang mempengaruhi munculnya narasi tersebut.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Bayu Pratama, Muhammad (00000057853)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	#KaburAjaDulu, Analisis Sentimen, Support Vector Machine, TF- IDF.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	09 Sep 2025 06:54
URI:	https://kc.umn.ac.id/id/eprint/40181

Actions (login required)

View Item