ANALISIS SENTIMEN PUBLIK TERHADAP OMNIBUS LAW DI TWITTER DENGAN METODE NAÏVE BAYES

DIDIN JATI SUARA, LALU - 205610063 (2024) ANALISIS SENTIMEN PUBLIK TERHADAP OMNIBUS LAW DI TWITTER DENGAN METODE NAÏVE BAYES. Skripsi thesis, Universitas Teknologi Digital Indonesia.

	Text (HALAMAN DEPAN) 1_205610063_HALAMAN_DEPAN.pdf - Published Version Download (588kB)
	Text (BAB I) 2_205610063_BAB_I.pdf - Published Version Download (22kB)
	Text (BAB II) 3_205610063_BAB_II.pdf - Published Version Download (154kB)
	Text (BAB III) 4_205610063_BAB_III.pdf - Published Version Restricted to Repository staff only Download (214kB)
	Text (BAB IV) 5_205610063_BAB_IV.pdf - Published Version Restricted to Repository staff only Download (272kB)
	Text (BAB V) 6_205610063_BAB_V.pdf - Published Version Download (7kB)
	Text (DAFTAR PUSTAKA) 7_205610063_DAFTAR_PUSTAKA.pdf - Published Version Download (151kB)
	Text (LISTING PROGRAM) 8_205610063_LISTING_PROGRAM.pdf - Published Version Restricted to Repository staff only Download (314kB)

Abstract

Omnibus law sebagai upaya untuk menyederhanakan regulasi, sering kali memicu kontroversi di masyarakat karena potensi dampaknya yang signifikan di berbagai sektor. Oleh karena itu, analisis sentimen menjadi penting untuk memahami pandangan dan reaksi masyarakat terhadap Omnibus law. Dalam penelitian ini data Twitter sebanyak 1751 tweet terkait Omnibus law dikumpulkan kemudian dilabelkan secara manual. Data yang sudah dilabeli secara manual selanjutnya melewati tahap pra-pemrosesan seperti pemberishan teks, normalisasi, tokenisasi, stopword removal dan stemming. Pada penelitian ini pembagian data menggunakan prinsip cross validation atau validasi silang yang dimana data dibagi menjadi 3 bagian yakni data latih, data uji dan data validasi dengan perbandingan 60:25:15. Representasi tweet dalam bentuk teks diubah menjadi vektor dilakukan menggunakan Term Frequency Inverse Document Frequency (TF-IDF). Model yang digunakan untuk klasifikasi sentimen pada penelitian ini adalah Naïve Bayes Multinomial dengan penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE), penggunaan metode SMOTE mengatasi masalah ketidakseimbangan antara sentimen mayoritas yakni negatif dengan sentimen minoritas yakni positif dan netral. Sentimen minoritas mendapatkan penambahan sampel sintetis untuk membantu model dalam pengklasifikasian. Hasil evaluasi model Naïve Bayes pada penelitian ini diantaranya dalam bentuk metrik yaitu confusion matrix kemudian accuracy, precision, recall dan f1-score. Pada data uji memiliki nilai akurasi 90,27%, precision 93,29%, recall 94,76% dan f1-score 93,20%, sedangkan pada data validasi memiliki akurasi senilai 89,92%, precision 91,28%, recall 96,01% dan f1-score 93,47%. Nilai evaluasi yang ditunjukkan antara data uji dan data validasi menujukkan model dapat diandalkan dalam menganalisis sentimen tanpa adanya kecenderungan overfitting. Kata kunci: analisis sentimen, naïve bayes, omnibus law

Item Type:	Thesis (Skripsi)
Additional Information:	Pembimbing: Cosmas Haryawan, S.TP., S.Kom., M.Cs
Uncontrolled Keywords:	analisis sentimen, naïve bayes, omnibus law
Subjects:	A Karya Umum (General) > Ilmu Komputer (Computer Science) > Analisis Sentimen A Karya Umum (General) > Ilmu Komputer (Computer Science) > Metode Naive Bayes Classifiers
Divisions:	Jenjang S1 > Sistem Informasi (S1)
Depositing User:	Titis Pratiwi
Date Deposited:	01 Apr 2024 06:10
Last Modified:	01 Apr 2024 06:10
URI:	http://eprints.utdi.ac.id/id/eprint/10348

Actions (login required)

View Item