PERBANDINGAN AKURASI ALGORITMA MULTINOMIAL NAÏVE BAYES DAN DECISION TREE DENGAN MENERAPKAN ADABOOST PADA ANALISIS SENTIMEN ULASAN APLIKASI PEDULILINDUNGI

Setiawan, Rizki (2022) PERBANDINGAN AKURASI ALGORITMA MULTINOMIAL NAÏVE BAYES DAN DECISION TREE DENGAN MENERAPKAN ADABOOST PADA ANALISIS SENTIMEN ULASAN APLIKASI PEDULILINDUNGI. Sarjana thesis, Universitas Siliwangi.

	Text 1 COVER.pdf Download (96kB)
	Text 2 PENGESAHAN.pdf Download (302kB)
	Text 3 PENGESAHAN PENGUJI.pdf Download (271kB)
	Text 4 PERNYATAAN.pdf Download (357kB)
	Text 5 ABSTRAK.pdf Download (58kB)
	Text 7 KATA PENGANTAR.pdf Download (407kB)
	Text 8 DAFTAR ISI.pdf Download (100kB)
	Text 9 BAB 1.pdf Download (149kB)
	Text 10 BAB 2.pdf Download (501kB)
	Text 11 BAB 3.pdf Download (179kB)
	Text 12 BAB 4.pdf Restricted to Repository staff only Download (449kB)
	Text 13 BAB 5.pdf Restricted to Repository staff only Download (125kB)
	Text 14 DAFTAR PUSTAKA.pdf Download (201kB)

Abstract

ABSTRAK Salah satu solusi yang dilakukan pemerintah Indonesia dalam melakukan pengendalian dan pelacakan kasus COVID-19 adalah menggunakan aplikasi PeduliLindungi. Data ulasan terhadap aplikasi PeduliLindungi bisa diperoleh dari ulasan pengguna di Google Play Store. Data tersebut dapat dianalisis untuk mengetahui kecenderungan sentimen masyarakat terhadap aplikasi PeduliLindungi dengan melakukan analisis sentimen. Metode yang digunakan untuk analisis sentimen salah satunya adalah machine learning, tetapi dalam machine learning terdapat permasalahan yaitu tingkat keakuratan yang relatif rendah. Pada penelitian ini terdapat 2 algoritma machine learning yang digunakan dan dibandingkan yaitu algoritma Multinomial Naïve Bayes (MNB) dan Decision Tree (DT) yang dikombinasikan dengan metode AdaBoost (AB) untuk meningkatkan hasil akurasi klasifikasi data ulasan aplikasi PeduliLindungi. Pada penelitian yang dilakukan, kecenderungan sentimen masyarakat terhadap aplikasi PeduliLindungi adalah 31% positif, 42% negatif dan 27% netral dari total 6000 data. Multinomial Naïve Bayes sebelum dikombinasikan dengan AdaBoost menghasilkan nilai rata-rata accuracy sebesar 74,3%, sedangkan Decision Tree menghasilkan nilai rata-rata accuracy sebesar 84,3%. Setelah dikombinasikan, MNB+AB menghasilkan nilai rata-rata accuracy sebesar 83,2%, sedangkan untuk metode DT+AB menghasilkan nilai rata-rata accuracy sebesar 85,5%. Penggunaan AdaBoost dapat meningkatkan akurasi algoritma Multinomial Naïve Bayes maupun Decision Tree untuk proses klasifikasi data ulasan aplikasi PeduliLindungi. Dari hasil penelitian yang dilakukan terkait perbandingan metode Multinomial Naïve Bayes dengan AdaBoost dan metode Decision Tree dengan AdaBoost, metode Decision Tree dengan AdaBoost menjadi metode yang paling baik karena mempunyai nilai akurasi paling tinggi pada saat pengujian dibandingkan dengan metode lain yang digunakan pada penelitian ini. Kata Kunci: Analisis Sentimen, PeduliLindungi, Multinomial Naïve Bayes, Decision Tree, AdaBoost

Actions (login required)

View Item