Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

180401184

Judul :

KLASIFIKASI SENTIMEN TERHADAP PENGUNGSI ROHINGYA DI INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Penulis :

NUR MUHAMMAD RIZAL

Abstrak :

Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap pengungsi Rohingya di Indonesia menggunakan algoritma Support Vector Machine (SVM). Metode ini dipilih karena kemampuannya dalam mengklasifikasikan data berdimensi tinggi serta mengatasi masalah ketidakseimbangan kelas. Data yang digunakan diperoleh melalui crawling dari media sosial Twitter, kemudian diolah menggunakan teknik preprocessing seperti case folding, pembersihan data, tokenisasi, normalisasi, penghapusan stopword, dan stemming. Setelah proses pengolahan data, dilakukan pembobotan dengan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan penyeimbangan data menggunakan teknik SMOTE. Hasil penelitian menunjukkan bahwa model SVM memiliki kemampuan yang baik dalam mengklasifikasikan sentimen dengan tingkat akurasi yang memuaskan. Algoritma SVM mendapatkan peforma yang baik dalam melakukan klasifikasi sentiment terhadap Pengungsi Rohingya di Indonesia. Algoritma SVM mendapatkan nilai Precision sebesar 86%, Recall sebesar 86%, F1-score sebesar 86%, dan Accuracy sebesar 86%. Penelitian ini diharapkan dapat memberikan wawasan mengenai persepsi masyarakat terhadap pengungsi Rohingya dan menjadi acuan bagi penelitian selanjutnya. Kata Kunci: Sentimen, Pengungsi Rohingya, Support Vector Machine, Preprocessing, TF-IDF, SMOTE

Abstrak Inggris :

This study aims to analyze public sentiment towards Rohingya refugees in Indonesia using the Support Vector Machine (SVM) algorithm. This method was chosen due to its capability in classifying high-dimensional data and addressing class imbalance issues. The data was obtained through crawling from Twitter and processed using preprocessing techniques such as case folding, data cleaning, tokenization, normalization, stopword removal, and stemming. After the data processing, weighting was performed using the Term Frequency-Inverse Document Frequency (TF-IDF) method, and data balancing was carried out using the SMOTE technique. The results indicate that the SVM model demonstrates good performance in classifying sentiment with satisfactory accuracy. The SVM algorithm achieved good performance in classifying sentiment towards Rohingya refugees in Indonesia, with a Precision of 86%, Recall of 86%, F1-score of 86%, and Accuracy of 86%. This research is expected to provide insights into public perceptions of Rohingya refugees and serve as a reference for future studies. Keywords: Sentiment, Rohingya Refugees, Support Vector Machine, Preprocessing, TF-IDF, SMOTE.

Tahun :

2024

Cover :

124d1-cover-skripsi.pdf

Bab 1 :

89aec-fix-skripsi-icall-17-21.pdf

Bab 2 :

27814-fix-skripsi-icall-22-37.pdf

Bab 3 :

a1488-fix-skripsi-icall-38-41.pdf

Bab 4 :

36a24-fix-skripsi-icall-42-61.pdf