Analisis Sentimen Menggunakan Metode Random Forest, SVM, dan XGBoost Pada Tayangan TV Berdasarkan Ulasan Masyarakat di Media Sosial Twitter

Putra, Rio Alghaniy and Rakasiwi, Adam Idhofi and Azzahra, Salsabila Putri (2024) Analisis Sentimen Menggunakan Metode Random Forest, SVM, dan XGBoost Pada Tayangan TV Berdasarkan Ulasan Masyarakat di Media Sosial Twitter. Project Report (Praktek Kerja Lapang dan Magang). Fakultas Ilmu Komputer, Surabaya.

Preview

Text (COVER)
COVER.pdf
Download (491kB) | Preview

Preview

Text (BAB 1)
BAB 1.pdf
Download (156kB) | Preview

Preview

Text (BAB 2)
BAB 2.pdf
Download (164kB) | Preview

Text (BAB 3)
BAB 3.pdf
Restricted to Repository staff only until 8 May 2029.
Download (237kB)

Text (BAB 4)
BAB 4.pdf
Restricted to Repository staff only until 8 May 2029.
Download (1MB)

Preview

Text (BAB 5)
BAB 5.pdf
Download (107kB) | Preview

Preview

Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf
Download (143kB) | Preview

Text (LAMPIRAN)
LAMPIRAN.pdf
Restricted to Repository staff only until 8 May 2029.
Download (224kB)

Abstract

Dalam era digital yang berkembang pesat, media sosial seperti Twitter menjadi platform utama bagi masyarakat dalam menyampaikan opini dan ulasan terhadap tayangan televisi. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap tayangan televisi berdasarkan ulasan yang diunggah di Twitter dengan menerapkan metode machine learning, yaitu Random Forest, Support Vector Machine (SVM), dan XGBoost. Ketiga metode ini dipilih karena kemampuan mereka dalam mengklasifikasikan data teks secara akurat. Proses analisis melibatkan beberapa tahapan utama, yaitu scraping data dari Twitter, data cleansing, labeling, tokenizing, stopword removal, serta penerapan teknik visualisasi data menggunakan word cloud. Model Random Forest, SVM, dan XGBoost diterapkan untuk mengklasifikasikan data sentimen yang telah diproses, dengan evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode XGBoost memiliki performa yang unggul dibandingkan dengan Random Forest dan SVM dalam hal akurasi dan kecepatan proses pada dataset yang digunakan. Temuan ini memberikan wawasan yang bermanfaat bagi stasiun televisi dalam mengevaluasi opini penonton secara lebih efektif dan berbasis data, yang dapat mendukung peningkatan kualitas program serta pengambilan keputusan strategis yang lebih tepat sasaran.

Item Type:

Monograph (Project Report (Praktek Kerja Lapang dan Magang))

Contributors: