ALFATH, ABDURRAHMAN (2022) ANALISA SENTIMEN MENGENAI OPINI PUBLIK TERHADAP KEBIJAKAN UU ITE PADA MEDIA SOSIAL TWITTER DENGAN MELAKUKAN KOMPARASI ALGORITMA KLASIFIKASI NAÏVE BAYES, K-NEAREST NEIGHBOR(KNN), SUPPORT VECTOR MACHINE(SVM). S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (1MB) | Preview |
|
|
Text (ABSTRAK)
02 Abstrak.pdf Download (416kB) | 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 (123kB) |
|
|
Text (BAB II)
04 BAB 2.pdf Restricted to Registered users only Download (288kB) |
|
|
Text (BAB III)
05 BAB 3.pdf Restricted to Registered users only Download (566kB) |
|
|
Text (BAB IV)
06 BAB 4.pdf Restricted to Registered users only Download (580kB) |
|
|
Text (BAB V)
07 BAB 5.pdf Restricted to Registered users only Download (768kB) |
|
|
Text (DAFTAR PUSTAKA)
08 Daftar Pustaka.pdf Restricted to Registered users only Download (316kB) |
|
|
Text (LAMPIRAN)
09 Lampiran.pdf Restricted to Registered users only Download (518kB) |
Abstract
Technology that is developing rapidly makes us inseparable from this, using technology can facilitate all daily activities. The ITE Law here plays an important role as a filter for information technology users so that they are not arbitrary in using and utilizing technology. This study aims to see public opinion on social media twitter on the policy of the ITE Law. Sentiment analysis here, we can see tweet data about the ITE Law whether the data is positive or negative by determining automatically and manually. This research can also later be used to assist the government in seeing to what extent the public knows the importance of the ITE Law in carrying out activities on social media. From the results of experimental testing using the Naïve Bayes classification algorithm, K-Nearest Neighbor (K-NN), and Support Vector Machine (svm) the best results were found, namely the SVM algorithm using automatic labeling data with an accuracy of 91%, then manual labeling data after conducting experiments, the best results were found, namely the SVM algorithm with an accuracy of 86%. Two data labeling automatic and manual with a percentage split of 80% : 20% the best. This is because the proportion of data 80% and 20% of the training and testing datasets have better results because they provide an evaluation value that is close to balance. Key words: Sentiment Analysis, UU ITE, Naïve Bayes, K-NN, SVM. Teknologi yang sedang berkembang pesat membuat kita tidak bisa lepas dari hal tersebut, dengan menggunakan teknologi dapat memudahkan semua segala aktifitas sehari-hari. UU ITE disini sangat berperan penting sebagai filter pengguna teknologi informasi agar tidak semena-mena dalam menggunakan dan memanfaatkan teknologi. Penelitian ini bertujuan untuk ingin melihat opini masyarakat di sosial media twitter terhadap kebijakan UU ITE. Analisis Sentimen disini kita dapat melihat data tweet tentang UU ITE ini apakah data tersebut termasuk positif atau negatif dengan cara menentukan otomatis dan manual. Penelitian ini juga nantinya dapat digunakan membantu pemerintah dalam melihat sejauh mana masyarakat mengetahui pentingnya UU ITE dalam melakukan kegiatan di media sosial. Dari hasil pengujian eksperimen dengan menggunakan algoritma klasifikasi Naïve Bayes, K-Nearest Neighbor(K-NN), dan Support Vector Machine(svm) di dapati hasil terbaik yaitu algoritma SVM menggunakan data labeling Otomatis dengan akurasi 91%, kemudian di data labeling manual setelah melakukan eksperimen di dapati hasil terbaik yaitu algoritma SVM dengan akurasi 86%. Dua data labeling otomatis dan manual dengan percentage split 80% : 20% yang terbaik. Hal tersebut karena proporsi data 80% dan 20% dari dataset pelatihan dan pengujian memiliki hasil yang lebih baik karena memberikan nilai evaluasi yang mendekati keseimbangan. Kata kunci: Analisis Sentimen, UU ITE, Naïve Bayes, K-NN,SVM.
Actions (login required)
 |
View Item |
