Halik, Muh Fathin Abdillah (2023) Analisis Sentimen Masyarakat Indonesia Terhadap Kebijakan Pemerintah Dalam Menangani Pandemi Covid-19 Menggunakan Klasifikasi Random Forest pada Media Sosial Twitter. Skripsi thesis, Universitas Hasanuddin.
D42116017_skripsi_09-05-2023 bab 1-3.pdf
Download (1MB)
D42116017_skripsi_09-05-2023 cover1.jpg
Download (204kB) | Preview
D42116017_skripsi_09-05-2023 dp.pdf
Download (678kB)
D42116017_skripsi_09-05-2023.pdf
Restricted to Repository staff only until 22 January 2026.
Download (2MB)
Abstract (Abstrak)
Sejak adanya kasus pertama dengan dua orang dinyatakan positif di Indonesia, topik covid-19 selalu menjadi pembicaraan dalam berbagai media dan tentu saja media sosial. Joko Widodo sebagai Presiden Republik Indonesia pastinya menjadi pusat perhatian masyarakat terutama tentang kebijakan-kebijakan yang diterapkan dalam upaya penanganan covid-19 di Indonesia. Salah satu media sosial yang dapat digunakan dengan bebas oleh masyarakat untuk menuangkan pendapatnya adalah Twitter. Sebagai salah satu raksasa sosial media, rata-rata 500 juta tweet diunggah ke twitter setiap harinya. Berdasarkan tweet dari masyarakat tersebut, pemerintah dapat menganalisis sentimen masyarakat terhadap kebijakan pemerintah dalam menangani covid-19 sehingga kedepannya pemerintah dapat memberikan kebijakan yang efektif. Maka dari itu, penelitian ini melakukan percobaan analisa terhadap sentimen masyarakat untuk melihat kecenderungan sentimen masyarakat terhadap kebijakan pemerintah dalam menangani covid-19 pada media sosial twitter serta melihat pengaruh ekstraksi fitur terhadap akurasi analisis sentimen. Pada penelitian ini menggunakan 1500 data yang diberikan label dengan tiga kelas yaitu positif, negative, dan netral secara manual. Algoritma yang digunakan untuk pembuatan model analisis sentimen yaitu Random Forest. Untuk proses pengamatan ekstraksi fitur terdapat dua metode yang dibandingkan yaitu TF-IDF dan Count Vectorizer. Dari kelima percobaan yang telah dilakukan dapat dilihat bahwa nilai akurasi tertinggi didapatkan pada rasio 35% data testing dan 65% data training menggunakan ekstraksi fitur TF-IDF dengan range n-gram (1,1). Kemudian nilai ROC AUC score tertinggi didapatkan pada rasio 20% data testing dan 80% data training menggunakan ekstraksi fitur TF-IDF dengan range n-gram (1,2).
Item Type: | Thesis (Skripsi) |
---|---|
Subjects: | T Technology > T Technology (General) |
Divisions (Program Studi): | Fakultas Teknik > Teknik Elektro |
Depositing User: | Kamaluddin |
Date Deposited: | 04 Jan 2024 07:26 |
Last Modified: | 04 Jan 2024 07:26 |
URI: | http://repository.unhas.ac.id:443/id/eprint/29102 |