Pradnyadari, Ni Luh Risma (2025) PEMBANGUNAN MODEL KLASIFIKASI SENTIMEN PADA TWITTER TERHADAP PARIWISATA BALI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1915101052-COVER.pdf Download (2MB) |
|
Text (ABSTRAK)
1915101052-ABSTRAK.pdf Download (268kB) |
|
Text (BAB 1 PENDAHULUAN)
1915101052-BAB 1 PENDAHULUAN.pdf Download (205kB) |
|
Text (BAB 2 KAJIAN TEORI)
1915101052-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (429kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1915101052-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (423kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1915101052-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (810kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1915101052-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (278kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1915101052-DAFTAR PUSTAKA.pdf Download (225kB) |
|
Text (LAMPIRAN)
1915101052-LAMPIRAN.pdf Download (409kB) |
Abstract
Penelitian ini bertujuan untuk mengembangkan model klasifikasi emosi dalam ulasan pariwisata tentang Bali, yang diperoleh dari Twitter. Informasi yang diberikan didasarkan pada twit berbahasa Indonesia yang dikumpulkan secara otomatis melalui teknik perayapan menggunakan API Twitter, dari Januari hingga Desember 2023. Setelah pengumpulan, mahasiswa tingkat akhir Program Studi Pendidikan Bahasa Indonesia secara manual memberi label data dengan sentimen, seperti positif, negatif, dan netral. Proses pembersihan kemudian dilakukan, meliputi normalisasi teks, konversi huruf besar/kecil, tokenisasi, penghapusan kata-kata yang tidak informatif, dan lematisasi, untuk mendapatkan dataset bersih yang sesuai untuk analisis. Ekstraksi fitur dilakukan menggunakan metode TF-IDF, dengan tujuan mengubah teks menjadi format numerik. Untuk klasifikasi, algoritma SVM digunakan, memanfaatkan pengklasifikasi SVC dari pustaka Scikit-learn. Pemilihan parameter optimal dilakukan secara otomatis menggunakan GridSearchCV, mengeksplorasi berbagai jenis kernel (linier, polinomial, sigmoid) dan berbagai nilai parameter C. Untuk memvalidasi model, teknik K-Fold Cross Validation diterapkan dengan lima split (n_splits = 5) untuk meningkatkan kapasitas generalisasinya dan mencegah overfitting. Temuan menunjukkan bahwa model SVM mampu mengklasifikasikan emosi dengan kinerja yang memuaskan. Menurut evaluasi menggunakan matriks kebingungan, model yang paling efisien mencapai presisi 88%, akurasi 87%, recall 86%, dan skor F1 86%. Model tersebut secara efektif menunjukkan kemampuannya untuk mengidentifikasi pola emosional dalam tweet terkait pariwisata, terutama dengan membedakan antara komentar positif dan negatif. Hasil ini menunjukkan bahwa penggunaan SVM dalam kombinasi dengan TF-IDF cocok untuk mendeteksi opini publik terhadap pariwisata di Bali. Diharapkan penelitian ini dapat menjadi referensi untuk menerapkan analisis sentimen ke media sosial, membantu pengambilan keputusan dalam sektor pariwisata.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Sentimen, Twitter, Pariwisata Bali, Support Vector Machine (SVM), TF-IDF, K-Fold Cross Validation |
| Subjects: | Q Science > Q Science (General) T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Ni Luh Risma Pradnyadari |
| Date Deposited: | 11 Aug 2025 08:40 |
| Last Modified: | 11 Aug 2025 08:40 |
| URI: | http://repo.undiksha.ac.id/id/eprint/26805 |
Actions (login required)
 |
View Item |