ANALYSIS OPINI PUBLIK TERHADAP KENDARAAN LISTRIK MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER (NBC) DENGAN EKSTRAKSI FITUR TF-IDF

L. M. Ryas Amin, Akbar (2023) ANALYSIS OPINI PUBLIK TERHADAP KENDARAAN LISTRIK MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER (NBC) DENGAN EKSTRAKSI FITUR TF-IDF. S1 thesis, Universitas Mataram.

	Text LAPORAN TUGAS AKHIR_F1B019076_L.M. RYAS AMIN AKBAR.pdf Restricted to Repository staff only Download (3MB)
Preview	Text Jurnal_TA_Jurusan Teknik Elektro_F1B019076_L.M. Ryas Amin Akbar.pdf Download (791kB) | Preview

Abstract

Perkembangan teknologi modern telah menciptakan kendaraan listrik, yang dianggap sebagai solusi ramah lingkungan dengan motor listrik dan baterai sebagai sumber tenaga. Maka analisis opini terhadap kendaraan listrik menjadi subjek penelitian yang menarik, dengan memanfaatkan data dari Twitter dan YouTube. Dalam upaya menganalisis opini masyarakat terhadap kendaraan listrik, algoritma machine learning Naïve Bayes Classifier digunakan untuk mengklasifikasikan probabilitas pendapat masyarakat menjadi sentimen positif atau negatif. Tujuan penelitian ini adalah untuk menilai persepsi masyarakat, mengevaluasi performa model klasifikasi analisis yang dibangun menggunakan algoritma Naïve Bayes Classifier dengan ekstraksi fitur Term Frequency-Inverse Document Frequency (Tf-Idf), dan membangun aplikasi analisis opini berbasis web untuk klasifikasi, visualisasi, dan evaluasi data teks komentar. Data komentar dari Twitter dan YouTube diperoleh dengan teknik crawling dan melalui tahap preprocessing sebelum digunakan dalam analisis serta perancangan model dengan total data mencapai 3509. Model analisis sentimen dibangun dengan menggunakan algoritma Naïve Bayes Classifier dalam dua konfigurasi yaitu dengan ekstraksi fitur Tf-Idf (NBC TF-IDF) dan tanpa ekstraksi fitur Tf-Idf (NBC). Hasil penelitian menunjukkan bahwa model klasifikasi NBC TF-IDF dalam 2 kelas (Positif dan Negatif) mencapai akurasi sebesar 81%, sedangkan model klasifikasi menggunakan NBC mencapai akurasi sebesar 77%. Kemudian dalam skenario penggunaan 3 kelas (Positif, Netral, dan Negatif), model NBC TF-IDF mencapai akurasi 64%, sedangkan model NBC mencapai akurasi 62%. Model klasifikasi menggunakan NBC TF-IDF menunjukkan peningkatan performa yang lebih baik, baik dalam skenario 2 kelas maupun 3 kelas.

Item Type:	Thesis (S1)
Keywords (Kata Kunci):	Kendaraan listrik, Crawling, Machine learning, Naïve Bayes Classifier, Term Frequency Inverse Document Frequency
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Teknik
Depositing User:	Meike Megawati
Date Deposited:	19 Nov 2023 23:47
Last Modified:	19 Nov 2023 23:47
URI:	http://eprints.unram.ac.id/id/eprint/43485

Actions (login required)

View Item