IMPLEMENTASI NATURAL LANGUAGE PROCESSING MENGGUNAKAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN MASYARAKAT TERHADAP PROGRAM MAKAN SIANG GRATIS DI MEDIA SOSIAL X (TWITTER)

Ferdiansyah, Ferdiansyah (2025) IMPLEMENTASI NATURAL LANGUAGE PROCESSING MENGGUNAKAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN MASYARAKAT TERHADAP PROGRAM MAKAN SIANG GRATIS DI MEDIA SOSIAL X (TWITTER). Sarjana thesis, Universitas Putra Indonesia YPTK.

Preview	Text Skripsi_21101152630106_Ferdiansyah_Abstrak.pdf Download (180kB) | Preview
Preview	Text Skripsi_21101152630106_Ferdiansyah_Bab 1.pdf Download (288kB) | Preview
Preview	Text Skripsi_21101152630106_Ferdiansyah_Daftar Pustaka.pdf Download (221kB) | Preview
	Text Skripsi_21101152630106_Ferdiansyah_Full Text.pdf Restricted to Repository staff only Download (7MB)

Abstract

Program makan siang gratis sebagai kebijakan publik strategis telah memicu diskursus yang luas di media sosial, sehingga diperlukan analisis untuk memahami sentimen masyarakat secara akurat. Penelitian ini bertujuan membangun sistem analisis sentimen menggunakan metode Natural Language Processing (NLP) dengan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan opini publik di platform X (Twitter) ke dalam kategori positif, negatif, dan netral. Data opini diperoleh melalui scraping, kemudian melalui tahap preprocessing, pembobotan fitur menggunakan TF-IDF, dan pelabelan awal berbasis Inset Lexicon sebelum diklasifikasikan oleh model SVM. Hasil analisis terhadap 4.257 opini menunjukkan bahwa sentimen masyarakat sangat dominan positif, mencapai 89.61%, diikuti oleh sentimen negatif sebesar 7.95%, dan sentimen netral sebesar 2.44%. Model klasifikasi SVM berhasil mencapai tingkat akurasi yang sangat baik sebesar 90.3%. Temuan ini mengindikasikan penerimaan publik yang sangat tinggi terhadap program makan siang gratis serta membuktikan efektivitas algoritma SVM untuk tugas klasifikasi sentimen pada isu kebijakan publik. Keterbatasan utama penelitian ini adalah ketergantungan pada satu sumber data, penggunaan leksikon statis, serta ketidakmampuan sistem dalam menginterpretasi sarkasme. Penelitian selanjutnya disarankan untuk mengimplementasikan model yang lebih canggih seperti Deep Learning (BERT/LSTM) dan memperluas sumber data untuk analisis yang lebih komprehensif.

Actions (login required)

View Item