ANALISIS SENTIMEN MASYARAKAT SUMATERA BARAT TERHADAP ELECTRONIC TRAFFIC LAW ENFORCEMENT (ETLE) DI MEDIA SOSIAL TWITTER DENGAN PENDEKATAN NATURAL LANGUAGE PROCESSING MENGGUNAKAN ALGORITMA NAÏVE BAYES

Abang, Ari (2024) ANALISIS SENTIMEN MASYARAKAT SUMATERA BARAT TERHADAP ELECTRONIC TRAFFIC LAW ENFORCEMENT (ETLE) DI MEDIA SOSIAL TWITTER DENGAN PENDEKATAN NATURAL LANGUAGE PROCESSING MENGGUNAKAN ALGORITMA NAÏVE BAYES. Sarjana thesis, Universitas Putra Indonesia YPTK Padang.

	Text Skripsi_20101152630161_Ari Abang_Abstrak.pdf Download (148kB)
	Text Skripsi_20101152630161_Ari Abang_Bab I.pdf Download (178kB)
	Text Skripsi_20101152630161_Ari Abang_Daftar Pustaka.pdf Download (176kB)
	Text Skripsi_20101152630161_Ari Abang_Full Text.pdf Restricted to Repository staff only Download (2MB)

Abstract

Di era digital saat ini, media sosial telah menjadi sarana utama bagi masyarakat untuk menyuarakan opini dan pandangan mereka mengenai berbagai isu. Analisis sentimen, yang merupakan bagian dari Natural Language Processing (NLP), memainkan peran krusial dalam memahami persepsi publik terhadap kebijakan dan fenomena sosial. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Sumatera Barat terhadap kebijakan Electronic Traffic Law Enforcement (ETLE) yang diterapkan melalui media sosial Twitter. Kebijakan ETLE adalah inisiatif penting dalam meningkatkan kepatuhan lalu lintas, tetapi implementasinya mendapat respons beragam dari masyarakat. Oleh karena itu, penting untuk mengevaluasi opini publik untuk meningkatkan kebijakan ini. Kasus yang dikaji dalam penelitian ini adalah bagaimana masyarakat Sumatera Barat merespons kebijakan ETLE. Masalah utama yang dihadapi adalah mengidentifikasi dan mengklasifikasikan sentimen masyarakat dalam tiga kategori: positif, negatif, dan netral, berdasarkan tweet yang diperoleh dari Twitter. Metode yang digunakan dalam penelitian ini melibatkan beberapa tahapan, dimulai dari preprocessing data, yang mencakup pembersihan teks, case folding, tokenisasi, dan stemming. Proses berikutnya adalah pembobotan kata menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk menilai pentingnya kata dalam konteks sentimen. Klasifikasi sentimen dilakukan menggunakan algoritma Naïve Bayes. Dataset yang digunakan terdiri dari 509 tweet yang dikumpulkan dari Twitter, yang dibagi menjadi tiga kategori sentimen: positif, negatif, dan netral. Aplikasi analisis sentimen dikembangkan menggunakan bahasa pemrograman Python dan pustaka NLP untuk memproses data secara otomatis, mulai dari pengambilan data hingga analisis sentimen. Hasil penelitian menunjukkan bahwa dari total 509 tweet, terdapat 141 tweet yang diklasifikasikan sebagai positif, 120 sebagai negatif, dan 248 sebagai netral. Model Naïve Bayes yang digunakan mencapai akurasi sebesar 69%. Walaupun akurasi model menunjukkan beberapa keterbatasan, hasil ini menegaskan bahwa Naïve Bayes efektif dalam menganalisis sentimen masyarakat terhadap ETLE. Penelitian ini memberikan kontribusi signifikan dengan menyediakan alat analisis sentimen yang bermanfaat untuk evaluasi dan pengembangan kebijakan ETLE di masa depan. Kata kunci: Analisis Sentimen, Electronic Traffic Law Enforcement (ETLE), Natural Language Processing (NLP ), Twitter, Algoritma Naive Bayes

Actions (login required)

View Item