Fauziah, Aprilia (2019) Analisis sentimen negatif pada komentar instagram menggunakan algoritma Support Vector Machine (SVM) / Aprilia Fauziah. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
RINGKASAN Fauziah Aprilia. 2019. Analisis Sentimen Negatif pada Komentar Instagram menggunakan Algoritma Support Vector Machine. Skripsi Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing (I) Dr. Eng. Siti Sendari S.T. M.T. (II) Muhammad Iqbal Akbar S.ST. M.MT. Kata Kunci Instagram Cyberbullying Support Vector Machine SMOTE Instagram merupakan media sosial yang paling populer untuk membagikan video maupun gambar pada zaman sekarang. Namun instagram tidak lepas dari kata-kata negatif yang dilontarkan oleh penggguna khususnya pada kolom komentar ke unggahan seseorang yang tidak disukai. Berdasarkan survey StstusOfMind yang dipublikasikan oleh United Kingdom s Royal Society for Public Health tahun 2017 yang melibatkan 1.479 orang berusia 14-25 tahun di Inggirs meghasilkan bahwa instagram berkaitan dengan tingkat kecemasan tinggi depresi bullying dan FOMO (fobia ketinggalan berita di jejaring sosial). Hasil riset APJII menyebutkan bahwa sebanyak 75% hingga 80% remaja berusia 12-17 tahun telah menjadi korban bullying karena komentar negatif di instagram. Komentar negatif tersebut umumnya berisi ejekan hinaan dan kata-kata kasar yang merupakan tindakan cyberbullying. Oleh karena itu objek penelitian yang dikaji adalah komentar negatif dengan jenis cyberbullying harassement pada kolom komentar instagram. Metode yang diusulkan untuk klasifikasi teks komentar adalah metode Support Vector Machine (SVM) dengan jumlah data terkumpul dari hasil scrapping sebanyak 800 data komentar. Selanjutnya melakukan pelabelan data komentar secara manual oleh ahli bahasa Indonesia. Hasil pelabelan manual komentar berlabel positif sebanyak 542 data dan komentar berlabel negatif sebanyak 258 data. Kondisi ini disebut imbalanced class. Klasifikasi pada kondisi ini sistem akan cenderung menghasilkan model dengan tingkat kepekaan yang minim terhadap kelas minoritas yang dapat berdampak buruk untuk performa klasifikasi yang dilakukan. Sehingga diperlukan teknik SMOTE untuk menangani permasalahan imbalanced class. Tahapan selanjutnya adalah preprocessing meliputi case folding data cleaning tokenisasi dan stopword removal kemudian tahap ekstraksi fitur menggunakan pembobotan TF-IDF dan dilanjutkan dengan tahap penanganan imbalanced class menggunakan SMOTE dan terakhir tahap klasifikasi menggunakan algoritma SVM. Berdasarkan hal tersebut penelitian ini akan memaparkan perbandingan kinerja algoritma klasifikasi SVM tanpa SMOTE dan klasifikasi algoritma SVM menggunakan SMOTE dalam melakukan analisis sentimen komentar instagram. Dari hasil penelitian didapatkan kesimpulan bahwa teknik SMOTE berpengaruh terhadap kinerja dari sebuah algoritma klasifikasi dengan data tidak seimbang terbukti nilai degree 2 dan nilai gamma 0 001 menghasilkan peningkatan akurasi untuk kinerja rata-rata model sebesar 11 16%. Sehingga penerapan algoritma SVM dan SMOTE menghasilkan nilai accuracy 81 16% precission 0 949 recall 0 658 dan f-measure 0 777.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | ?? ?? |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 06 Aug 2019 04:29 |
| Last Modified: | 09 Sep 2019 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/99021 |
Actions (login required)
 |
View Item |