SENTIMENT ANALYSIS TERHADAP PEMBELAJARAN JARAK JAUH PADA MASA PANDEMI COVID-19 DENGAN METODE PARTICLE SWARM OPTIMIZATION (PSO) DAN NAÏVE BAYES

Yolanda, Yolanda (2022) SENTIMENT ANALYSIS TERHADAP PEMBELAJARAN JARAK JAUH PADA MASA PANDEMI COVID-19 DENGAN METODE PARTICLE SWARM OPTIMIZATION (PSO) DAN NAÏVE BAYES. Sarjana thesis, Universitas Siliwangi.

	Text Cover.pdf Download (349kB)
	Text Lembar Pengesahan.pdf Download (960kB)
	Text ABSTRAK.pdf Download (185kB)
	Text KATA PENGANTAR.pdf Download (264kB)
	Text DAFTAR.pdf Download (304kB)
	Text BAB I.pdf Download (195kB)
	Text BAB II.pdf Download (832kB)
	Text BAB III.pdf Download (503kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (290kB)
	Text DAFTAR PUSTAKA.pdf Download (310kB)

Abstract

ABSTRAK Pemberlakuan kebijakan pembelajaran jarak jauh (PJJ) pada masa pandemi covid-19 memperoleh banyak tanggapan, kritik dan saran yang berisi cuitan positif dan negatif dari masyarakat melalui twitter. Cuitan tersebut sulit dipilah untuk mendapatkan kata dari sentimen positif dan sentimen negatif karena kata yang digunakan beragam. Mengatasi hal itu analisis sentimen dilakukan untuk mengekstrak informasi terkait kebijakan PJJ. Untuk mendapatkan hasil evaluasi terbaik menggunakan perbandingan dengan 4 skenario. Tahap penelitian dimulai dengan pengambilan data twitter, cleaning data, pelabelan positif dan negatif, preprocessing data diantaranya tokenize, casefolding, stemming dan stopword removal, TF-IDF untuk pembobotan kata dan SMOTE menangani ketidakseimbangan data, klasifikasi menggunakan algoritma Naïve Bayes dan Particle Swarm Optimization (PSO) sebagai seleksi fitur. Pengujian Naïve Bayes yang dikombinasikan dan PSO dengan 4 skenario menghasilkan akurasi yang cukup baik, dengan nilai rata-rata akurasi 97.29%, recall 94.72%, dan precision 99.84%. Hasil akurasi tertinggi pada rasio 60:40 dengan algoritma Naïve Bayes dan PSO sebesar 97.88%. Pengaruh PSO terhadap performa model cukup baik terlihat pada akurasi yang meningkat. Kata Kunci: Analisis Sentimen, CRISP-DM, Naïve Bayes, Particle Swarm Optimiation, PJJ, SMOTE.

Item Type:	Thesis (Sarjana)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik > Informatika
Depositing User:	Lelis Masridah
Date Deposited:	10 Feb 2023 01:28
Last Modified:	10 Feb 2023 01:28
URI:	http://repositori.unsil.ac.id/id/eprint/8486

Actions (login required)

View Item