ANALISIS SENTIMEN TERHADAP TAYANGAN TELEVISI BERDASARKAN OPINI MASYARAKAT PADA MEDIA SOSIAL TWITTER MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Total View This Week17
Total View This Week17
Institusion
STMIK Akakom
Author
Rahmadhani, Tiara - 175410150
Subject
Algoritma
Datestamp
2021-11-26 03:18:38
Abstract :
Twitter merupakan layanan jejaring sosial yang digunakan masyarakat sebagai media komunikasi dan informasi. Informasi yang terdapat pada twitter berupa pertanyaan, opini atau komentar, baik yang bersifat positif, negatif, maupun netral. Sentimen masyarakat dapat dijadikan sebagai salah satu indikator untuk menentukan program televisi mana yang lebih baik dari sisi opini masyarakat. Oleh karena itu, peneliti mencoba menganalisa tweet yang berupa opini masyarakat terhadap kualitas dari beberapa stasiun televisi. Penelitian ini menggunakan metode K-nearest neighbor dengan 3 tahapan proses yaitu pre-processing yang terdiri dari cleansing, case folding, tokenizing, stopword removal, dan stemming. Tahap kedua yaitu perhitungan bobot pada setiap kata menggunakan metode TF-IDF. Tahap terakhir adalah klasifikasi sentimen yang menghasilkan 3 kategori yaitu sentimen positif, negatif, dan netral. Data yang digunakan berupa opini masyarakat terhadap 4 stasiun televisi yaitu Net TV, RCTI, SCTV, dan Trans TV dengan jumlah 2206 data tweet yang dibagi menjadi 70% data latih dan 30% data uji, dan diperoleh dari hasil scrapping menggunakan tweepy. Hasil yang diperoleh dari pengujian analisis sentimen dengan metode K-nearest neighbor menghasilkan akurasi terbesar yaitu 72.56% dengan nilai k=3. Sedangkan nilai presisi tertinggi sebesar 66% saat k=3 dan recall terbesar 63% ketika k=3. Dari hasil analisis sentimen dari setiap stasiun televisi didapat respon positif sebesar 69.47 % untuk stasiun televisi Net Tv, 72.63% untuk RCTI, 60.53% untuk SCTV, dan 74.32% untuk Trans Tv. Kata kunci : analisisis sentiment,twitter, tf-idf, k-nearest neighbor.
Twitter merupakan layanan jejaring sosial yang digunakan masyarakat sebagai media komunikasi dan informasi. Informasi yang terdapat pada twitter berupa pertanyaan, opini atau komentar, baik yang bersifat positif, negatif, maupun netral. Sentimen masyarakat dapat dijadikan sebagai salah satu indikator untuk menentukan program televisi mana yang lebih baik dari sisi opini masyarakat. Oleh karena itu, peneliti mencoba menganalisa tweet yang berupa opini masyarakat terhadap kualitas dari beberapa stasiun televisi. Penelitian ini menggunakan metode K-nearest neighbor dengan 3 tahapan proses yaitu pre-processing yang terdiri dari cleansing, case folding, tokenizing, stopword removal, dan stemming. Tahap kedua yaitu perhitungan bobot pada setiap kata menggunakan metode TF-IDF. Tahap terakhir adalah klasifikasi sentimen yang menghasilkan 3 kategori yaitu sentimen positif, negatif, dan netral. Data yang digunakan berupa opini masyarakat terhadap 4 stasiun televisi yaitu Net TV, RCTI, SCTV, dan Trans TV dengan jumlah 2206 data tweet yang dibagi menjadi 70% data latih dan 30% data uji, dan diperoleh dari hasil scrapping menggunakan tweepy. Hasil yang diperoleh dari pengujian analisis sentimen dengan metode K-nearest neighbor menghasilkan akurasi terbesar yaitu 72.56% dengan nilai k=3. Sedangkan nilai presisi tertinggi sebesar 66% saat k=3 dan recall terbesar 63% ketika k=3. Dari hasil analisis sentimen dari setiap stasiun televisi didapat respon positif sebesar 69.47 % untuk stasiun televisi Net Tv, 72.63% untuk RCTI, 60.53% untuk SCTV, dan 74.32% untuk Trans Tv. Kata kunci : analisisis sentiment,twitter, tf-idf, k-nearest neighbor.
File :
1_175410150_ HALAMAN_DEPAN.pdf
2_175410150_ BAB_I - Tiara Rahma.pdf
3_175410150_ BAB_II - Tiara Rahma.pdf
4_175410150_ BAB_III - Tiara Rahma.pdf
5_175410150_ BAB_IV - Tiara Rahma.pdf
6_175410150_ BAB_V - Tiara Rahma.pdf
7_175410150_ DAFTAR_PUSTAKA - Tiara Rahma.pdf
8_175410150_CARA_MENJALANKAN_PROGRAM - Tiara Rahma.pdf
9_175410150_LISTING_PROGRAM - Tiara Rahma.pdf
10_LAMPIRAN - Tiara Rahma.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
