Analisis Sentimen terhadap Pencabutan Insentif Impor Mobil Listrik pada Komentar YouTube dengan Algoritma SVM

Ligat Dewa Cindra, Maha (2026) Analisis Sentimen terhadap Pencabutan Insentif Impor Mobil Listrik pada Komentar YouTube dengan Algoritma SVM. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (935kB)
	PDF BAB_I.pdf Download (221kB)
	PDF BAB_II.pdf Download (468kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (298kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (619kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (209kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (245kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (826kB)
	Archive (ZIP) 00000075361_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Pencabutan insentif impor kendaraan listrik (electric vehicle, EV) sejak Januari 2026 menuai reaksi beragam di masyarakat Indonesia. Penelitian ini menganalisis sentimen publik terhadap kebijakan tersebut menggunakan algoritma Support Vector Machine (SVM), sebuah metode machine learning untuk klasifikasi yang mencari batas pemisah optimal antar kelas. Data berupa 1.867 yang telah diolah dari 2.892 komentar YouTube berbahasa Indonesia dari 7 video terkait pencabutan insentif yang dikumpulkan dan diklasifikasikan menjadi tiga sentimen: positif, negatif, dan netral. Setelah preprocessing, fitur teks diekstraksi menggunakan Term Frequency­Inverse Document Frequency (TF-IDF), yaitu metode pembobotan kata berdasarkan frekuensi dan tingkat kekhasannya dalam dokumen. Ketidakseimbangan kelas ditangani dengan Random Oversampling (ROS) dan Synthetic Minority Oversampling Technique (SMOTE), dua teknik untuk menyeimbangkan jumlah data antar kelas dengan menduplikasi atau membuat data sintetis pada kelas minoritas. Model SVM kernel linear kemudian dioptimasi dan divalidasi dengan 5-fold cross validation pada rasio data 80:20 dan 70:30. Model pada data pseudo-labeled memberikan hasil terbaik, yaitu accuracy 84,76% dan F1-score rata-rata makro (F1 macro) sebesar 0,8040 pada rasio 80:20. Distribusi sentimen didominasi oleh sentimen netral (54,2%) dan negatif (36,1%), menunjukkan bahwa wacana pencabutan insentif lebih banyak memicu kekhawatiran dan kritik dibandingkan dukungan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ligat Dewa Cindra, Maha (00000075361)
Contributors:	Winarno, Winarno
Keywords:	Analisis Sentimen, Mobil Listrik, Pseudo-labeling, Support Vector Machine, Term Frequency­Inverse Document Frequency
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	15 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47548

Actions (login required)

View Item