KOMPARASI KINERJA ALGORITMA MACHINE LEARNING UNTUK ANALISIS SENTIMEN OPINI FILM INDONESIA DI TWITTER

Ugi, Prasetyo and Handoko Supeno, DS and ASEP SOMANTRI, DS (2023) KOMPARASI KINERJA ALGORITMA MACHINE LEARNING UNTUK ANALISIS SENTIMEN OPINI FILM INDONESIA DI TWITTER. Skripsi(S1) thesis, Fakultas Teknik Unpas.

[img]
Preview
 Text
Ugi Prasetyo_183040162_Teknik Informatika.pdf
Download (774kB) | Preview
Official URL: http:/www.teknik.unpas.ac.id

Abstract

ABSTRAK Film adalah media komunikasi audiovisual (suara dan gambar) yang mengandung pesan tersirat yang disampaikan pembuat film kepada sekelompok orang yang menyaksikannya. Analisis sentimen adalah proses perbandingan untuk mengungkap dan mengategorikan pendapat yang diungkapkan dalam teks, untuk menentukan apakah tanggapan terhadap topik tertentu positif, negatif, atau netral. Opini yang disampaikan oleh seseorang bisa mengakibatkan penilaian yang berbeda. Semakin pesat perkembangan teknologi informasi, semakin banyak yang menulis opini mereka mengenai sebuah produk. Algoritma machine learning seperti Naïve Bayes, Support Vector Machine, dan Logistik Regression dapat digunakan peneliti untuk melakukan komparasi algoritma machine learning untuk analisis sentimen opini film indonesia. Penelitian ini bertujuan untuk mengetahui cara kerja machine learning dalam mengalisis sentimen berupa opini terhadap suatu film, menganalisis sentimen pada opini film indonesia menggunakan metode Naïve Bayes, Support Vector Machine, dan Logistik Regression. Dengan mengkomparasi 3 metode di penelitian ini didapat kesimpulan bahwa algoritma Support Vector Machines mendapatkan tingkat akurasi yang paling tinggi. Nilai akurasi metode Logistik Regression, Naïve Bayes dan Support Vector yaitu Algoritma Support Vector Machines (SVM) sebesar 0,8725, Algoritma Naïve Bayes sebesar 0,655, Algoritma Logistik Regression sebesar 0,8425. Kata Kunci : Algoritma Machine Learning, Analisis Sentimen, Opini, Komparasi, Naïve Bayes, Support Vector Machine, Logistik Regression, Twitter.

Item Type: Thesis (Skripsi(S1))
Subjects: S1-Skripsi
Divisions: Fakultas Teknik > Teknik Informatika 2023
Depositing User: Ms sri -
Date Deposited: 06 Apr 2023 04:25
Last Modified: 06 Apr 2023 04:25
URI: http://repository.unpas.ac.id/id/eprint/62993

Actions (login required)

View Item View Item
repo unpas is powered by EPrints 3 which is developed by the School of Electronics and Computer Science at the University of Southampton. More information and software credits.