Tanzilal Mustaqim, 4611416055 (2020) SENTIMENT ANALYSIS OPINI PELANTIKAN KABINET PEMERINTAH INDONESIA TAHUN 2019 MENGGUNAKAN VADER DAN RANDOM FOREST. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF (SENTIMENT ANALYSIS OPINI PELANTIKAN KABINET PEMERINTAH INDONESIA TAHUN 2019 MENGGUNAKAN VADER DAN RANDOM FOREST) Download (1MB) | Preview

Abstract

Tanzilal Mustaqim. 2020. Sentiment analysis Opini Pelantikan Kabinet Pemerintah Indonesia Tahun 2019 Menggunakan Vader dan Random forest. Skripsi, Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Pembimbing Much Aziz Muslim, S.Kom., M.Kom. Kata kunci: Sentiment analysis, Vader, Random forest. Proses pelantikan kabinet Menteri baru di Indonesia tahun 2019 memantik banyak dukungan maupun penolakan serta banyak ungkapan opini masyarakat yang beragam. Salah satu media pengungkapan pendapat masyarakat yakni media sosial twitter. Media sosial twitter dapat memberikan kumpulan beragam data opini masyarakat sesuai dengan kebutuan penelitian. Salah satu yang dapat dilakukan dengan banyaknya opini masyarakat yakni analisis sentiment. Pada penelitian ini dilakukan sentiment analysis terhadap opini masyarakat terkait pelantikan kabinet Menteri baru tahun 2019 menggunakan vader dan random forest. Analisa dilakukan pada 8223 dataset tweet yang diambil pada rentang waktu 1 Oktober 2019 sampai 31 Desember 2019 pada media sosial twitter. Tahapan dalam peneitian ini yakni data collecting, data preprocessing, data labelling dan data modelling. Data collecting yakni proses mengumpulkan data tweet. Data preprocessing yakni mempersiapkan data seperti melakukan proses pembersihan dan penormalan data. Data labelling yakni memberikan label sentiment terhadap masing-masing data tweet berdasarkan algoritma vader. Data modelling yakni melakukan uji akurasi sentiment analysis terhadap model penelitian menggunakan algoritma machine learning Random forest dibantu dengan feature extraction TF-IDF dan Count vectorizer serta N-gram. Hasil pengujian menunjukkan tingkat akurasi tertinggi diperoleh oleh kombinasi model algoritma dari random forest, count vectorizer dan n-gram berjumlah 3 gram mencapai 89,19%.

Actions (login required)

View Item