KOMPARASI ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) PADA ANALISIS SENTIMEN IMPLEMENTASI PROGRAM KARTU INDONESIA PINTAR KULIAH

Rainita, Ni Putu Ana (2025) KOMPARASI ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) PADA ANALISIS SENTIMEN IMPLEMENTASI PROGRAM KARTU INDONESIA PINTAR KULIAH. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115091075-COVER.pdf
Download (1MB)
[img] Text (ABSTRAK)
2115091075-ABSTRAK.pdf
Download (258kB)
[img] Text (BAB 1 PENDAHULUAN)
2115091075-BAB 1 PENDAHULUAN.pdf
Download (278kB)
[img] Text (BAB 2 KAJIAN TEORI)
2115091075-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (555kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2115091075-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (577kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2115091075-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2115091075-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (246kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115091075-DAFTAR PUSTAKA.pdf
Download (223kB)
[img] Text (LAMPIRAN)
2115091075-LAMPIRAN.pdf
Download (619kB)

Abstract

Pemilihan model klasifikasi yang tepat sangat penting dalam analisis sentimen berbasis teks, terutama ketika distribusi data tidak seimbang. Kondisi ini dapat memengaruhi akurasi dan performa model dalam mengklasifikasikan sentimen. Naive Bayes dan Support Vector Machine (SVM) merupakan dua algoritma yang sering digunakan dalam klasifikasi teks, namun perbandingan performa keduanya pada data tidak seimbang masih perlu dikaji lebih lanjut. Penelitian ini bertujuan untuk membandingkan performa kedua algoritma dalam mengklasifikasikan sentimen masyarakat terhadap implementasi Program Kartu Indonesia Pintar (KIP) Kuliah.Data yang digunakan dalam penelitian ini terdiri dari 1.644 tweet yang dikumpulkan dari media sosial, dengan distribusi sentimen yang didominasi oleh opini negatif. Untuk mengatasi ketidakseimbangan distribusi kelas pada data, digunakan metode Synthetic Minority Oversampling Technique (SMOTE) guna memperbanyak data pada kelas minoritas. Hasil evaluasi menunjukkan bahwa sebelum penerapan SMOTE, algoritma SVM memiliki akurasi sebesar 92%, presisi 91%, dan recall 77%. Sementara itu, algoritma Naive Bayes mencatatkan akurasi 79%, presisi 68%, dan recall 78%. Setelah dilakukan oversampling dengan SMOTE, performa kedua model meningkat signifikan. SVM mencapai nilai akurasi, presisi, dan recall sebesar 99%, sedangkan Naive Bayes memperoleh 95% pada ketiga metrik tersebut. Meskipun SVM menunjukkan akurasi lebih tinggi, hasil penelitian ini menunjukkan bahwa Naive Bayes memiliki performa yang lebih stabil baik sebelum maupun sesudah proses penyeimbangan data dilakukan.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: KIP-K, Analisis Sentimen, Naive Bayes, SVM, SMOTE.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Sistem Informasi (S1)
Depositing User: Ni Putu Ana Rainita
Date Deposited: 24 Jul 2025 00:11
Last Modified: 24 Jul 2025 00:11
URI: http://repo.undiksha.ac.id/id/eprint/25938

Actions (login required)

View Item View Item