Kusuma Wardana, Kadek (2026) PERBANDINGAN KINERJA NAIVE BAYES DAN SVM BERBASIS SMOTE DALAM ANALISIS SENTIMEN KOMENTAR YOUTUBE MENGENAI WACANA REDENOMINASI RUPIAH. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101056-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2229101056-ABSTRAK.pdf Download (7MB) |
|
Text (BAB 1 PENDAHULUAN)
2229101056-BAB 1 PENDAHULUAN.pdf Download (7MB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101056-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101056-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101056-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101056-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101056-DAFTAR PUSTAKA.pdf Download (7MB) |
|
Text (LAMPIRAN)
2229101056-LAMPIRAN.pdf Download (7MB) |
Abstract
Wacana redenominasi rupiah merupakan salah satu isu ekonomi yang memunculkan beragam tanggapan masyarakat di media sosial, khususnya YouTube. Analisis sentimen terhadap komentar masyarakat diperlukan untuk mengetahui kecenderungan opini publik terhadap isu tersebut. Namun, ketidakseimbangan distribusi data dapat memengaruhi kinerja model klasifikasi sehingga diperlukan teknik penyeimbangan data. Penelitian ini bertujuan untuk: (1) menganalisis penerapan algoritma Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM) berbasis Synthetic Minority Oversampling Technique (SMOTE) pada analisis sentimen komentar YouTube mengenai wacana redenominasi rupiah, serta (2) menentukan model klasifikasi dengan tingkat performansi terbaik. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen. Data penelitian berupa komentar YouTube dari kanal CNBC Indonesia, Kompas Pontianak, dan Kumparan. Tahapan penelitian meliputi case folding, cleaning, tokenisasi, normalisasi, stopword removal, stemming, pembobotan TF-IDF, serta penyeimbangan data menggunakan SMOTE pada beberapa rasio distribusi kelas. Evaluasi model dilakukan menggunakan confusion matrix, accuracy, precision, recall, F1-score, ROC-AUC, K-Fold Cross Validation, dan analisis overfitting. Hasil penelitian menunjukkan bahwa SMOTE meningkatkan performa kedua algoritma dengan hasil terbaik pada rasio 50:50. Peningkatan performa relatif terbatas, sekitar 132%, yang menunjukkan bahwa ketidakseimbangan kelas bukan merupakan faktor utama karena representasi fitur TF-IDF telah mampu membedakan sentimen pada data asli. Pada rasio tersebut, SVM memperoleh accuracy 76,34%, precision 76,33%, recall 76,34%, F1-score 75,46%, dan AUC 81,44%, sedangkan NBC memperoleh accuracy 72,35%, precision 73,86%, recall 72,35%, F1-score 72,68%, dan AUC 80,46%. Hasil K- Fold Cross Validation menunjukkan bahwa SVM lebih stabil dibandingkan NBC, sedangkan analisis overfitting menunjukkan SVM memiliki generalization gap lebih besar tetapi tetap memberikan performa pengujian terbaik. Analisis homogenitas menunjukkan panjang komentar pada data training dan testing tidak berbeda signifikan (p-value = 0,3437), sehingga representasi TF-IDF tidak dipengaruhi oleh perbedaan karakteristik dokumen. Dengan demikian, kombinasi SVM dan SMOTE pada rasio 50:50 merupakan model terbaik untuk analisis sentimen komentar YouTube mengenai wacana redenominasi rupiah.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Analisis Sentimen, Redenominasi Rupiah, Naïve Bayes, SVM, SMOTE, K-Fold |
| Subjects: | T Technology > TN Mining engineering. Metallurgy |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Kadek Kusuma Wardana |
| Date Deposited: | 19 Jul 2026 13:09 |
| Last Modified: | 19 Jul 2026 13:09 |
| URI: | http://repo.undiksha.ac.id/id/eprint/31107 |
Actions (login required)
 |
View Item |