DETAIL KOLEKSI

Analisis sentimen pemindahan ibu kota negara indonesia menggunakan metode support vector machine pada media sosial x


Oleh : Rukhy Zaifa Aduhalim

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2024

Pembimbing 1 : Binti Solihah

Pembimbing 2 : Syandra Sari

Kata Kunci : National Capital Relocation, Sentiment Analysis, Support Vector Machine, Bayesian Optimisation, Rand

Saat ini file hanya dapat diakses dari perpustakaan.

Status : Lengkap

K Keputusan untuk memindahkan Ibu Kota Negara Indonesia ke Kalimantan Timur telah memicu beragam pendapat dari masyarakat, pengamat, ahli, dan akademisi, yang banyak diungkapkan melalui media sosial X, di mana Indonesia merupakan salah satu negara dengan pengguna terbanyak. Penelitian ini mengkaji sentimen tersebut menggunakan data dari media sosial X, dengan menerapkan metode Support Vector Machine (SVM) yang dioptimasi melalui teknik Random Search Optimization dan Bayesian Optimization Algorithm. Hasil menunjukkan bahwa Bayesian Optimization menghasilkan performa yang lebih tinggi dengan parameter C = 100, Gamma = 0.1000, dan Kernel = RBF, mencapai akurasi 81.05%, presisi 81.01%, dan recall 81.35%. Sebaliknya, Random Search Optimization menghasilkan model dengan parameter C = 100, Gamma = 1, Kernel = linear, mencapai akurasi 78.65%, presisi 78.84%, dan recall 79.27%, membutuhkan waktu 32.77 detik. Bayesian Optimization juga lebih efisien waktu, membutuhkan 25.23 detik lebih singkat dibandingkan Random Search.

T The decision to move Indonesia\\\'s capital city to East Kalimantan has triggered diverse opinions from the public, observers, experts, and academics, many of which are expressed through X social media, where Indonesia is one of the countries with the most users. This research examines these sentiments using data from social media X, by applying the Support Vector Machine (SVM) method optimised through Random Search Optimisation and Bayesian Optimisation Algorithm techniques. The results show that Bayesian Optimisation produces higher performance with parameters C = 100, Gamma = 0.1000, and Kernel = RBF, achieving 81.05% accuracy, 81.01% precision, and 81.35% recall. In contrast, Random Search Optimisation produces a model with parameters C = 100, Gamma = 1, Kernel = linear, achieving 78.65% accuracy, 78.84% precision, and 79.27% recall, taking 32.77 seconds. Bayesian Optimisation is also more time efficient, requiring 25.23 seconds less than Random Search.

Bagaimana Anda menilai Koleksi ini ?