ANALISIS SENTIMEN PADA VAKSIN BOOSTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE MULTICLASS DI TWITTER

SAPUTRA, HENDI (2023) ANALISIS SENTIMEN PADA VAKSIN BOOSTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE MULTICLASS DI TWITTER. Strata 1 thesis, Universitas Teknokrat Indonesia.

	Text (full teks) skripsi19312239.pdf - Published Version Restricted to Registered users only Download (6MB) | Request a copy
	Text (abstrak) daftar_pustaka19312239.pdf - Published Version Download (526kB)
	Text (BAB II Peninjauan) b219312239.pdf - Published Version Download (896kB)
	Text (BAB I Pendahuluan) b119312239.pdf - Published Version Download (461kB)
	Text (Daftar Pustaka) abstrak19312239.pdf - Bibliography Download (448kB)

Abstract

Vaksin Booster merupakan salah satu upaya pemerintah indonesia dalam menangani penyebaran virus covid-19 dan hal ini menimbulkan pro dan kontra ditengah masyarakat, salah satu cara untuk mengetahui kecenderungan masyarakat terhadap pro dan kontra pada vaksin booster dapat dilakukan dengan melalui analisis sentiment pada media sosial, salah satu media sosial yang sering digunakan dalam analisis sentiment adalah media sosial twitter. Penelitian ini untuk analisis sentiment vaksin booster pada media sosial twiter menggunakan algoritma Support Vector Machine dalam pengkajiannya metode Support Vector Machine bergantung pada parameter untuk memperoleh hasil yang maksimal. Dengan model SVM yang dihasilkan menggunakan dua pendekatan, yakni One Against One dan One Against Rest dengan masing masing dikombinasikan pada keseluruhan kernel pada SVM, yaitu Sigmoid, Polynomial dan RBF. SVM One Against One yang dikombinasikan dengan kernel Sigmoid menghasilkan akurasi 96.1%, kernel Polynomial menghasilkan akurasi 95.5% sedangkan kombinasi dengan kernel RBF hanya 95.8%. SVM One Against Rest yang dikombinasikan dengan kernel Sigmoid menghasilkan akurasi 96%, kernel Polynomial menghasilkan akurasi 95.5% sedangkan kombinasi dengan kernel RBF hanya 95.8%. Berdasarkan hal tersebut, dapat di katakan bahwa pendekatan One Against One lebih baik dibandingkan dengan One Against Rest. Hasil evaluasi model dengan akurasi terbaik, yakni kombinasi pendekatan One Against One dan kernel RBF memiliki sebaran kelas berturut-turut adalah positif = 40, netral = 934, dan negatif = 26. Kata Kunci : Vaksin Booster, Support Vector Machine, SVM Multi-class, One Against One, One Against Rest

Item Type:	Thesis (Strata 1)
Uncontrolled Keywords:	Vaksin Booster, Support Vector Machine, SVM Multi-class, One Against One, One Against Rest
Subjects:	INFORMATIKA > TP Chemical technology TP Chemical technology
Divisions:	Fakultas Teknik dan Ilmu Komputer > S1 Informatika
Depositing User:	Asep Haikal Kurniawan S.IP., M.A
Date Deposited:	21 Oct 2023 04:09
Last Modified:	21 Oct 2023 04:09
URI:	http://repository.teknokrat.ac.id/id/eprint/5093

Actions (login required)

View Item