IMPLEMENTASI STACKING ENSEMBLE CLASSIFIER UNTUK KLASIFIKASI MULTI KELAS TOPIK VAKSIN COVID-19 PADA TWITTER

Jayapermana, Rama (2021) IMPLEMENTASI STACKING ENSEMBLE CLASSIFIER UNTUK KLASIFIKASI MULTI KELAS TOPIK VAKSIN COVID-19 PADA TWITTER. Sarjana thesis, Universitas Siliwangi.

	Text 1. COVER.pdf Download (41kB)
	Text 4. ABSTRAK.pdf Download (15kB)
	Text 2. LEMBAR PENGESAHAN TUGAS AKHIR.pdf Download (17kB)
	Text 7. DAFTAR ISI, GAMBAR, TABEL.pdf Download (120kB)
	Text 8. BAB I.pdf Download (143kB)
	Text 9. BAB II.pdf Download (415kB)
	Text 10. BAB III.pdf Download (663kB)
	Text 11. BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text 12. BAB V.pdf Restricted to Repository staff only Download (73kB)
	Text 13. DAFTAR PUSTAKA.pdf Download (152kB)

Abstract

ABSTRAK Vaksin COVID-19 menjadi trending topic di kalangan pengguna media sosial Twitter di Indonesia. Hal tersebut merupakan respon masyarakat terhadap program vaksinasi COVID-19 yang dilakukan oleh pemerintah Indonesia. Program ini bertujuan untuk menekan penyebaran virus COVID-19 di Indonesia. Berbagai opini tentang vaksin COVID-19 telah ditulis oleh masyarakat di media sosial Twitter. Opini - opini tersebut dapat digunakan untuk penelitian di bidang analisis sentimen. Banyak peneliti telah melakukan penelitian mengenai klasifikasi sentimen dengan data tweet COVID-19 dari Twitter menggunakan berbagai algoritma seperti Logistic Regression, Random Forest, dan Support Vector Machine (SVM). Namun, dari ragam penggunaan algoritma tersebut pada umumnya permasalahan akurasi masih menjadi perhatian para peneliti saat ini, bahkan permasalahan akurasi terkait klasifikasi multi-kelas masih membutuhkan penelitian lebih lanjut. Penelitian ini mengusulkan metode stacking ensemble classifier untuk menghasilkan akurasi yang lebih baik dengan menggabungkan algoritma Logistic Regression, Random Forest, dan Support Vector Machine (SVM) sebagai first-level learners serta menggunakan Logistic Regression sebagai meta-learner untuk klasifikasi multi-kelas topik vaksin COVID-19 pada Twitter. Berdasarkan hasil evaluasi, model Stacking Ensemble Classifier yang diusulkan menunjukkan nilai accuracy sebesar 86%, precision 85%, recall 86%, dan f1-score 85%. Namun dengan model Stacking Ensemble Classifier kedua menunjukkan nilai accuracy sebesar 51%, precision 52%, recall 51%, dan f1-score 52% dengan manggunakan dataset yang seimbang namun jumlah data yang lebih sedikit. vi Kata Kunci: Analisis Sentimen, Ensemble Method, Klasifikasi Multi-kelas, Stacking Ensemble Classifier, Vaksin COVID-19

Actions (login required)

View Item