Gunawan, I Ketut Deni (2025) KOMPARASI METODE NAIVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS SENTIMEN RENCANA KENAIKAN UKT. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (2229101049-COVER)
2229101049-Cover.pdf Download (705kB) |
|
Text (2229101049-ABSTRAK)
2229101049-Abstrak.pdf Download (205kB) |
|
Text (2229101049-BAB 1 PENDAHULUAN)
2229101049-Bab 1 Pendahuluan.pdf Download (294kB) |
|
Text (2229101049-BAB 2 KAJIAN TEORI)
2229101049-Bab 2 Kajian Teori.pdf Restricted to Repository staff only Download (372kB) | Request a copy |
|
Text (2229101049-BAB 3 METODELOGI PENELITIAN)
2229101049-Bab 3 Metodelogi Penelitian.pdf Restricted to Repository staff only Download (750kB) | Request a copy |
|
Text (2229101049-BAB 4 HASIL DAN PEMBAHASAN)
2229101049-Bab 4 Hasil dan Pembahasan.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (2229101049-BAB 5 PENUTUP)
2229101049-Bab 5 Penutup.pdf Restricted to Repository staff only Download (300kB) | Request a copy |
|
Text (2229101049-DAFTAR PUSTAKA)
2229101049-Daftar Pustaka.pdf Download (226kB) |
|
Text (2229101049-LAMPIRAN)
2229101049-Lampiran.pdf Download (167kB) |
Abstract
Rencana kenaikan Uang Kuliah Tunggal (UKT) di perguruan tinggi Indonesia telah memicu berbagai reaksi dari masyarakat, terutama melalui media sosial. Sentimen publik yang terekam di platform seperti X (sebelumnya Twitter) dapat memberikan gambaran penting bagi pemangku kebijakan. Penelitian ini bertujuan untuk menganalisis performa metode klasifikasi Naïve Bayes dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan sentimen masyarakat terhadap rencana kenaikan Uang Kuliah Tunggal (UKT). Data yang digunakan terdiri dari tweet berbahasa Indonesia yang telah dilabeli menjadi sentimen positif dan negatif. Data dikumpulkan dari media sosial menggunakan kata kunci terkait UKT, lalu diproses melalui tahapan case folding, normalisasi, tokenisasi, stopword removal, dan stemming, kemudian dibobot menggunakan metode TF-IDF. Penelitian dilakukan pada dua skenario distribusi data, yaitu data tidak seimbang (374 positif, 1.257 negatif) dan data seimbang (374 positif, 374 negatif) dengan teknik undersampling. Evaluasi performa model menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa distribusi data berpengaruh signifikan terhadap performa model. Naïve Bayes memiliki precision sangat tinggi pada data tidak seimbang (1,00), namun recall rendah (0,22), sedangkan K-NN (K=3) memberikan hasil lebih seimbang dengan recall 0,53 dan F1-score 0,58. Pada data seimbang, performa K-NN (K=5) menjadi yang terbaik dengan akurasi 0,75, precision 0,76, recall 0,74, F1-score 0,75, dan AUC 0,813. Secara keseluruhan, K-NN lebih unggul dalam mendeteksi kelas minoritas dan mempertahankan keseimbangan antara precision dan recall, sehingga direkomendasikan sebagai metode yang lebih efektif untuk klasifikasi sentimen pada kasus ini.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Analisis Sentimen, UKT, Media Sosial, Naive Bayes, K-Nearest Neighbor, Data Seimbang, Data Tidak Seimbang, Klasifikasi |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Ketut Deni Gunawan |
| Date Deposited: | 13 Aug 2025 08:36 |
| Last Modified: | 13 Aug 2025 08:36 |
| URI: | http://repo.undiksha.ac.id/id/eprint/26953 |
Actions (login required)
 |
View Item |