Firdaza, Akhira Maulido (2021) SENTIMEN ANALISIS SISTEM ZONASI SEKOLAH PADA MEDIA SOSIAL TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE. Skripsi thesis, STMIK AKAKOM Yogyakarta.
|
Text
1_175410109_HALAMAN_DEPAN.pdf - Published Version Download (1MB) | Preview |
|
|
Text
2_175410109_BAB_I.pdf - Published Version Download (205kB) | Preview |
|
|
Text
3_175410109_BAB_II.pdf - Published Version Download (541kB) | Preview |
|
![[img]](http://eprints.akakom.ac.id/style/images/fileicons/text.png) |
Text
4_175410109_BAB_III.pdf - Published Version Restricted to Repository staff only Download (628kB) |
|
|
Text
5_175410109_BAB_IV.pdf - Published Version Restricted to Repository staff only Download (655kB) |
|
|
Text
6_175410109_BAB_V.pdf - Published Version Download (283kB) | Preview |
|
|
Text
7_175410109_DAFTAR_PUSTAKA.pdf - Published Version Download (182kB) | Preview |
|
|
Text
8_175410109_CARA_MENJALANKAN_PROGRAM.pdf - Published Version Download (604kB) | Preview |
|
|
Text
9_175410109_LISTING_PROGRAM.pdf - Published Version Restricted to Repository staff only Download (109kB) |
Abstract
Adanya sistem zonasi dalam sistem Penerimaan Peserta Didik Baru (PPDB) di Indonesia menyebabkan banyak masyarakat yang menuangkan opini mereka tentang sistem zonasi yang ada di Indonesia melalui media sosial. Salah satu media sosial yang popular di masyarakat adalah Twitter. Media sosial ini mampu menghubungkan banyak orang dengan berbagai topik dari seluruh dunia Dengan menggunakan Twitter masyarakat dapat memberikan berbagai macam pendapat mereka tentang apapun dalam bentuk komentar. Dalam penelitian ini, diklasifikasikan apakah suatu tweet termasuk dalam kelas positif, negatif atau netral dalam kaitan penerapan sistem zonasi di Indonesia. Oleh karena itu, tweet yang telah dikumpulkan dan diberi label perlu dipraproses, meliputi case folding, cleaning, tokenisasi, normalisasi kata, stopword removal dan stemming. Selanjutnya, dilakukan ekstraksi fitur berdasarkan nilai document frequency dan threshold minimum bagi kata untuk dipilih sebagai fitur. Setiap ditentukan nilai fitur dengan term frequency-inverse document frequency. Setelah dilakukan percobaan metode Support Vector Machine(SVM) menggunakan kernel liear dan percobaan tuning parameter dengan menggunakan kernel RBF, diketahui hasil akurasi dengan menggunakan kernel linear adalah 75% . Parameter terbaik adalah pasangan parameter C=1 dan γ=1 menggunakan kernel RBF dengan rataan akurasi sebesar 81% . Kata kunci – kernel RBF , klasifikasi , Sistem zonasi, SVM , Tweet,
| Item Type: | Thesis (Skripsi) |
|---|---|
| Uncontrolled Keywords: | kernel RBF , klasifikasi , Sistem zonasi, SVM , Tweet, |
| Subjects: | A Karya Umum (General) > Ilmu Komputer (Computer Science) > Kecerdasan Buatan (Artificial Intelegence) A Karya Umum (General) > Ilmu Komputer (Computer Science) > Sistem Pendukung Keputusan (Decision Support Systems) |
| Divisions: | Jenjang Strata Satu > Teknik Informatika (Informatic Engineering) |
| Depositing User: | Mr. Andi Setyanto |
| Date Deposited: | 03 Mar 2021 04:38 |
| Last Modified: | 03 Mar 2021 04:38 |
| URI: | http://eprints.akakom.ac.id/id/eprint/9135 |
Actions (login required)
 |
View Item |
