PRASETYO, MUHAMMAD ADRIANSYAH BUDI (2022) “PERBANDINGAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE PADA ANALISIS SENTIMEN MENGENAI HEPATITIS AKUT PADA TWITTER”. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (606kB) | Preview |
|
|
Text (ABSTRAK)
02 Abstrak.pdf Download (25kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
03 Bab 1.pdf Restricted to Registered users only Download (119kB) |
|
|
Text (BAB II)
04 Bab 2.pdf Restricted to Registered users only Download (51kB) |
|
|
Text (BAB III)
05 Bab 3.pdf Restricted to Registered users only Download (125kB) |
|
|
Text (BAB IV)
06 Bab 4.pdf Restricted to Registered users only Download (115kB) |
|
|
Text (BAB V)
07 Bab 5.pdf Restricted to Registered users only Download (256kB) |
|
|
Text (BAB VI)
08 Bab 6.pdf Restricted to Registered users only Download (53kB) |
|
|
Text (BAB VII)
09 Bab 7.pdf Restricted to Registered users only Download (16kB) |
|
|
Text (DAFTAR PUSTAKA)
10 Daftar Pustaka.pdf Restricted to Registered users only Download (116kB) |
|
|
Text (LAMPIRAN)
11 Lampiran.pdf Restricted to Registered users only Download (114kB) |
Abstract
At this time of course it is not foreign to us to hear of various new viruses, one of which is acute hepatitis which attacks the liver which causes symptoms such as fever, nausea, vomiting, loss of appetite, acute diarrhea and so on. This study was made by researchers to find out the response of the Indonesian people regarding acute hepatitis by using social media in the form of twitter. Twitter is a utility that allows users to send messages worldwide with tweets consisting of 250 characters that allow people to give their own opinion, without restrictions, of course in this case it can be used to analyze public opinion about acute hepatitis. By using Naïve Bayes and Support Vector Machine which is an algorithm that aims to classify the data to be selected such as acute hepatitis which is taken on social media in the form of twitter. In this section will display the results of the experiments that have been carried out. In this research, we take a case study on Acute Hepatitis by using two algorithms, namely Nave Bayes and Support Vector Machine. data sharing is the separation of training and testing data based on their proportions, for example 70%: 30% means 70% is training data and 30% is data testing. Then the classification process is carried out using the Naïve Bayes algorithm and the Support Vector Machine. Naive Bayes multinomial accuracy value is 0.66. In my opinion, this accuracy is not high enough in predicting or classifying the sentiments of twitter netizens on the topic of acute hepatitis. And for the accuracy value generated by the support vector machine model of 0.81 which makes this model have the most precise and optimal classification/prediction results when used to classify twitter citizen sentiment when compared to the multinomial naive bayes model. Key words: Hepatitis Acute, Twitter, Naïve bayes, Support Vector Machine Pada masa ini tentunya tidak asing bagi kita mendengar berbagai virus baru salah satunya yaitu Hepatitis akut yang menyerang liver yang menimbulkan gejala seperti demam, mual, muntah, hilang nafsu makan, diare akut dan sebagainya. Penelitian ini dibuat oleh peneliti untuk mengetahui tanggappan masyarakat Indonesia mengenai hepatitis akut ini dengan menggunakan medsos berupa twitter. Twitter ialah utilitas yang memungkinkan pengguna mengirimkan pesan pada semua global dengan tweet yang terdiri dari 250 karakter yang membuat masyarakat mampu memberikan pendapatnya masing-masing, tanpa Batasan, tentunya dalam hal ini bisa dimanfaatkan untuk menganalisis pendapat masyarakat mengenai hepatitis akut. Dengan menggunakan Naïve Bayes dan Support Vector Machine yang merupakan algoritma yang bertujuan untuk mengklasifikasikan data yang akan dipilih seperti hepatitis akut yang diambil pada medsos berupa twitter. Pada bagian ini akan menampilkan hasil dari eksperimen yang sudah dilakukan. Pada penelitian ini mengambil studi kasus mengenai Hepatitis Akut dengan menggunakan dua Algoritma yaitu Naïve Bayes dan Support Vector Machine. Pembagian presentasi data merupakan pemisahan data training dan testing berdasarkan persentasenya, contoh 70% : 30% berarti 70% merupakan data training dan 30% merupakan data testing. Kemudian dilakukan proses klasifikasi dengan menggunakan algoritma Naïve Bayes dan Support Vector Machine. Nilai akurasi multinomial naive bayes sebesar 0.66. Menurut saya akurasi tersebut tidak cukup tinggi dalam memprediksi atau mengklasifikasikan sentimen warganet twitter terhadap topik hepatitis akut. Dan untuk Nilai akurasi yang dihasilkan oleh model support vector machine sebesar 0.81 yang menjadikan model ini memiliki hasil klasifikasi/prediksi yang paling tepat dan optimal jika digunakan untuk mengklasifikasikan sentimen warganet twitter jika dibandingkan dengan model multinomial naive bayes. Kata kunci: Hepatitis Akut, Twitter, Naïve bayes, Support Vector Machine
| Item Type: | Thesis (S1) |
|---|---|
| Call Number CD: | FK/INFO. 22 090 |
| NIM/NIDN Creators: | 41518010123 |
| Uncontrolled Keywords: | Hepatitis Akut, Twitter, Naïve bayes, Support Vector Machine |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 600 Technology/Teknologi > 620 Engineering and Applied Operations/Ilmu Teknik dan operasi Terapan |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | WADINDA ROSADI |
| Date Deposited: | 03 Oct 2022 03:01 |
| Last Modified: | 03 Oct 2022 07:53 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/69811 |
Actions (login required)
 |
View Item |
