Khafifah Munawaroh, 4611418063 (2022) KOMPARASI PERFORMA ALGORITMA SVM, NAÏVE BAYES, DAN KNN UNTUK ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP VAKSINASI COVID-19 PADA TWITTER. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Munculnya virus COVID-19 pada tahun 2020, telah menciptakan terobosan baru berupa vaksin sebagai solusi untuk memperlambat penyebaran virus tersebut. Namun, vaksin COVID-19 dianggap kontroversial dan mengundang banyak orang untuk mengungkapkan pandangannya di berbagai media salah satunya media sosial Twitter. Dengan menggunakan data Twitter tentang vaksin COVID-19, dapat dilakukan analisis sentimen. Analisis sentimen bertujuan untuk mengevaluasi apakah tweet tersebut berisi kalimat positif atau negatif. Pada penelitian ini, analisis sentimen opini publik terhadap vaksin COVID-19 di media sosial Twitter dilakukan dengan menggunakan algoritma Support Vector Machine (SVM), Naïve Bayes, dan k-Nearest Neighbor (KNN). SVM memiliki kelebihan yaitu mampu mengidentifikasi hyperplane terpisah yang memaksimalkan margin antara dua kelas yang berbeda. Sedangkan Naïve Bayes merupakan algoritma yang sederhana, cepat dan menghasilkan akurasi maksimal dengan data training yang sedikit. Adapun algoritma KNN dipilih karena algoritma tersebut unggul terhadap data noise. Kinerja dari ketiga algoritma klasifikasi tersebut akan dibandingkan, sehingga dapat diketahui algoritma mana yang lebih baik dalam melakukan klasifikasi text mining. Hasil klasifikasi sentimen pada penelitian ini terdiri dari kelas sentimen positif dan negatif. Nilai akurasi yang dihasilkan akan menjadi tolak ukur untuk mencari model pengujian terbaik pada kasus klasifikasi sentimen. Berdasarkan sepuluh kali pengujian didapatkan hasil akhir akurasi dan performa terbaik menggunakan algoritma SVM dengan nilai akurasi 96,3%. Sedangkan pada algoritma Naïve Bayes dan KNN hasil akhir akurasi sebesar 94% dan 91%. Hasil akurasi yang cukup tinggi didukung dengan adanya feature extraction TF-IDF dan pelabelan menggunakan library TextBlob.

Actions (login required)

View Item