Analisis Sentimen terhadap Ketidaksesuaian Jurusan Pendidikan dan Pekerjaan Berbasis Data Media Sosial X Menggunakan Algoritma SVM, Naive Bayes, dan Logistic Regression

Leman, Michael (2026) Analisis Sentimen terhadap Ketidaksesuaian Jurusan Pendidikan dan Pekerjaan Berbasis Data Media Sosial X Menggunakan Algoritma SVM, Naive Bayes, dan Logistic Regression. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (471kB)
	PDF BAB_I.pdf Download (470kB)
	PDF BAB_II.pdf Download (376kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (280kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (223kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (234kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (980kB)
	Archive (ZIP) 00000072806_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Pendidikan perlu terhubung dengan kebutuhan dunia kerja agar kompetensi lulusan dapat dimanfaatkan secara optimal. Ketidaksesuaian jurusan pendidikan dan pekerjaan mencerminkan persoalan link and match yang juga muncul dalam percakapan publik di media sosial X. Penelitian ini bertujuan membentuk dataset yang terstruktur, menganalisis distribusi sentimen, membandingkan kinerja Support Vector Machine, Naïve Bayes, dan Logistic Regression, serta menyajikan hasil melalui prototype dashboard Streamlit. Enam batch scraping menghasilkan 21.502 baris mentah yang digabungkan, dideduplikasi secara global, disaring berdasarkan bahasa dan relevansi, kemudian diproses melalui quality filtering, preprocessing, pelabelan sentimen, pembagian data stratified 70:10:20, ekstraksi fitur TF-IDF, tuning, dan evaluasi. Proses tersebut menghasilkan 5.402 unggahan final periode 2 Januari 2020 sampai 10 Mei 2026, terdiri atas 2.878 sentimen negatif, 1.962 netral, dan 562 positif. Logistic Regression dengan C=1, class_weight balanced, solver lbfgs, serta TF-IDF unigram-bigram 20.000 fitur memperoleh accuracy 0,8242, balanced accuracy 0,7513, macro F1 0,7467, weighted F1 0,8257, dan MCC 0,6953 pada test set. Penelitian menyimpulkan bahwa sentimen negatif mendominasi percakapan mengenai ketidaksesuaian jurusan-pekerjaan, sedangkan Logistic Regression memberikan kinerja paling sesuai sebagai model final dan dashboard membantu menyajikan karakteristik data, hasil klasifikasi, serta insight sentimen secara terintegrasi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Leman, Michael (00000072806)
Contributors:	Indah Fianty, Melissa
Keywords:	Analisis sentimen, Ketidaksesuaian jurusan-pekerjaan, Logistic Regression, Media sosial X, TF-IDF
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	27 Jul 2026 12:02
URI:	https://kc.umn.ac.id/id/eprint/48259

Actions (login required)

View Item