DETAIL KOLEKSI

analisis sentimen twitter mengenai aplikasi pedulil indungi menggunakan Metode Valence Aware Dictionary For Sentiment Reasoning

Oleh : Rafi Dhiyanda

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2022

Pembimbing 1 : Binti Solihah

Pembimbing 2 : Anung B Ariwibowo

Subyek : INIS (Information retrieval system)

Kata Kunci : sentiment analysis, careprotect application, valence aware dictionary for sentiment reasoning.

Status Posting : Published

Status : Tidak Lengkap

File Repositori
No. Nama File Hal. Link
1. 2022_TA_SIF_064001800026_Halaman-Judul.pdf 28
2. 2022_TA_SIF_064001800026_Lembar-Pengesahan.pdf 12
3. 2022_TA_SIF_064001800026_Bab-1_Pendahuluan.pdf 2
4. 2022_TA_SIF_064001800026_Bab-2_Tinjauan-Pustaka.pdf 36
5. 2022_TA_SIF_064001800026_Bab-3_Metodologi-Penelitian.pdf 16
6. 2022_TA_SIF_064001800026_Bab-4_Analisis-Hasil-dan-Pembahasan.pdf 52
7. 2022_TA_SIF_064001800026_Bab-5_Kesimpulan-Dan-Saran.pdf 8
8. 2022_TA_SIF_064001800026_Daftar-Pustaka.pdf 8
9. 2022_TA_SIF_064001800026_Lampiran.pdf 20

S Salah satu platform media sosial yang sangat umum digunakan oleh berbagaikalangan masyarakat Indonesia adalah Twitter. Twitter sangat umum digunakanoleh berbagai kalangan masyarakat untuk berkomunikasi, mencari berita daninformasi, serta sebagai wadah opini mengenai suatu hal. Pemerintahmembutuhkan masukan atau feedback terkait aplikasi PeduliLindungi dimanamasukan tersebut akan berguna untuk meningkatkan layanan. Penelitian analisissentimen ini bertujuan untuk melakukan identifikasi opini masyarakat di Twitterterhadap aplikasi PeduliLindungi. Tahapan analisis sentiment dilakukan dengancara scraping data, preprocessing, klasifikasi dengan VADER dan visualisasi hasilklasifikasi. Berbagai opini masyarakat mengenai aplikasi PeduliLindungidiklasifikasikan menjadi 2 yaitu positif dan negative. Metode VADER atau ValenceAware Dictionary for Sentiment Reasoning menyesuaikan setiap kata pada sebuahopini dengan kamus yang memiliki tingkat sensitivitas polarity yang sudahditentukan, sehingga proses klasifikasi terhadap berbagai opini yang sudahdikumpulkan dapat memperoleh tingkat keakuratan yang tinggi. Hasil klasifikasitersebut akan memungkinkan instansi terkait untuk meningkatkan pelayanan sertakualitas dari aplikasi tersebut sesuai dengan hasil klasifikasi. Hasil pelabelandengan VADER menghasilkan sentiment negative sebesar 54% (7200 data) dandiikuti oleh sentiment positif sebesar 46% (6217 data).

O One of the most common social media platforms used by variousIndonesian society is Twitter. Twitter is very commonly usedby various circles of society to communicate, seek news andinformation, as well as a forum for opinions on a matter. Governmentneed input or feedback regarding the PeduliLindung application whereSuch input will be useful for improving the service. Analytical researchThis sentiment aims to identify public opinion on Twitterto the PeduliLindung application. Sentiment analysis stages are carried out byhow to scrap data, preprocessing, classify with VADER and visualize the resultsclassification. Various public opinions regarding the PeduliLindung applicationclassified into two, namely positive and negative. VADER or Valence methodAware Dictionary for Sentiment Reasoning adapts each word to aopinion with a dictionary that has a certain level of polarity sensitivitydetermined, so that the process of classifying various opinions that have beencollected can obtain a high level of accuracy. Classification resultsThis will enable relevant agencies to improve services andThe quality of the application is in accordance with the classification results. Labeling resultswith VADER generate negative sentiment of 54% (7200 data) andfollowed by positive sentiment by 46% (6217 data).

Koleksi Terkait (Kata Kunci = 23 Judul)

Analisis sentimen tentang vaksin sinovac di twitter menggunakan naïve bayes dan k-nearest neighbors 5.0
FTI - Usakti
Analisis sentimen dan pemodelan topik terhadap berita kandidat dalam pemilihan umum 2024 di media sosial twitter menggunakan metode latent dirichlet allocation(lda)
FTI - Usakti
Pengaruh undersampling dan oversampling dalam perbandingan analisis sentimen ulasan pengunjung objek wisata Waterbom Bali pada media sosial tripadvisor menggunakan klasifikasi random forest dan Naïve Bayes
FTI - Usakti
Analisis sentimen review costumer terhadap layanan ekspedisi J& T Express dan JNE menggunakan metode naive bayes dan support vector machine
FTI - Usakti
Analisis sentimen aplikasi pintarnya di Google Play Store menggunakan metode CNN dan ekstraksi fitur BERT
FTI - Usakti
Perbandingan metode ekstraksi fitur menggunakan tf-idf dan word embedding llama3 dengan classifier svm untuk analisis sentimen aplikasi mytelkomsel di google play store
FTI - Usakti
Analisis sentimen pemindahan ibu kota negara indonesia menggunakan metode support vector machine pada media sosial x
FTI - Usakti
Sentiment analysis dari twitter terhadap organisasi menggunakan R dengan Metode Support Vector Machine dan Swot Analysis 5.0
FTI - Usakti
Analisis sentimen mengenai undang - undang tpks pada media sosial twitter menggunakan metode support vector machine dan k-nearest neighbor
FTI - Usakti
Analisis sentimen dan topic modeling mengenai uu ite pada media sosial twitter bahasa Indonesia
FTI - Usakti
Pengembangan model sentimen analisis aplikasi bibit pada google playstore menggunakan metode naïve bayes dengan seleksi fitur chi square
FTI - Usakti
Perbandingan kinerja tf-idf dan word2vec dengan menggunakan bidirectional long short term memory (bilstm) pada sentimen analisis game pubg
FTI - Usakti
Analisis sentimen terhadap film horor indonesia menggunakan naive bayes classifier pada media sosial twitter Bahasa Indonesia
FTI - Usakti
Perbandingan kinerja metode analisis sentimen dengan bidirectional long short-term memory (bilstm) menggunakan ekstraksi fitur bag of word dan tf-idf mengenai aplikasi peduli lindungi di twitter
FTI - Usakti
Analisis sentimen dan pemodelan topik ulasan pengunjung objek wisata pulau bali pada situs tripadvisor menggunakan metode lexicon-based dan latent dirichlet allocation (lda)
FTI - Usakti
Analisis sentimen twitter mengenai aplikasi pedulilindungi menggunakan metode valence aware dictionary for sentiment reasoning
FTI - Usakti
Analisis sentimen subsidi Bahan Bakar Minyak (BBM) di twitter menggunakan support vector machine
FTI - Usakti
Perbandingan kinerja bidirectional long short term memory menggunakan word2vec dan fastext pada analisa sentimen aplikasi mypertamina
FTI - Usakti
Analisis sentimen kandidat calon Presiden Indonesia 2024 pada platform media sosialYouTube menggunakan metode support vector machine
FTI - Usakti
Analisis sentimen ulasan di google play mengenai aplikasi layanan streaming vidio dengan menggunakan metode naive bayes classifier dan ekstraksi fitur tf-idf
FTI - Usakti
Analisis sentimen kepuasan pelanggan terhadaplayanan gardu tol otomatis (gto) ruas jakartacikampekdengan data twitter menggunakan metode naïve bayes classifier
FTI - Usakti
Analisis sentimen dari twitter terhadap layanan e-sim oleh smartfren dengan metode naïve bayes classifier
FTI - Usakti
Perbandingan kinerja analisis sentimen twitter dengan fasttext svm dan tf-idf svm studi kasus pada motor listrik
FTI - Usakti
Bagaimana Anda menilai Koleksi ini ?