PRATAMA, AGUNG (2024) ANALISIS SENTIMENT OPINI PUBLIK TERHADAP KATA UNILEVER DI TWITTER SELAMA KONFLIK ISRAEL PALESTINA TAHUN 2023 MENGGUNAKAN MODEL SVM. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (671kB) | Preview |
|
|
Text (ABSTRAK)
02 ABSTRAK.pdf Download (298kB) | 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 (343kB) |
|
|
Text (BAB II)
04 BAB 2.pdf Restricted to Registered users only Download (430kB) |
|
|
Text (BAB III)
05 BAB 3.pdf Restricted to Registered users only Download (286kB) |
|
|
Text (BAB IV)
06 BAB 4.pdf Restricted to Registered users only Download (703kB) |
|
|
Text (BAB V)
07 BAB 5.pdf Restricted to Registered users only Download (211kB) |
|
|
Text (DAFTAR PUSTAKA)
08 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (128kB) |
|
|
Text (LAMPIRAN)
09 LAMPIRAN.pdf Restricted to Registered users only Download (368kB) |
Abstract
This study analyzes Indonesian public sentiment towards Unilever following the Palestine-Israel conflict using Twitter text data from October to December 2023. The main objective of this research is to achieve the best accuracy tuning value using an SVM model during the Israel-Palestine conflict in 2023. Through a qualitative observational approach, this research provides an in-depth understanding of the public's response to Unilever. The study employs support vector machines (SVM) with both linear and polynomial kernels to find suitable tuning for sentiment data. Sentiment data is evaluated to observe monthly distribution and daily patterns, focusing on positive, negative, and neutral sentiments. Additionally, the study uses word cloud analysis to explore frequently discussed themes related to Unilever. The results indicate that SVM with a linear kernel achieved an accuracy of 83%, while the polynomial kernel achieved an accuracy of 73%. The findings emphasize the importance of understanding public sentiment on sensitive political issues to respond appropriately. Furthermore, this research aims to provide valuable insights into public perception of sensitive issues, explaining how the public reacts to Unilever's actions and statements within the context of the conflict. Keywords: sentiment analysis, Unilever, Palestine-Israel, Twitter, wordcloud. Penelitian ini menganalisis sentimen masyarakat Indonesia terhadap Unilever selama konflik Israel-Palestina menggunakan data teks dari Twitter pada Oktober hingga Desember 2023. Tujuan utama dari penelitian ini adalah untuk mendapatkan nilai akurasi tuning terbaik dengan menggunakan model SVM selama konflik Israel-Palestina pada tahun 2023. Melalui pendekatan kualitatif observasional, penelitian ini memberikan pemahaman mendalam terhadap respons masyarakat terhadap Unilever. Penelitian ini akan menggunakan support vector machine (SVM) dengan kernel linear dan polynomial, untuk mencari tuning yang cocok pada data sentimen. Data sentimen dievaluasi untuk melihat distribusi bulanan dan pola harian, dengan fokus pada sentimen positif, negatif, dan netral. Penelitian ini juga menggunakan analisis wordcloud untuk menggali tema yang sering dibicarakan terkait Unilever. Hasil penelitian menunjukkan bahwa SVM dengan kernel linear mencapai akurasi sebesar 83%, sedangkan kernel polynomial mencapai akurasi sebesar 73%. Temuan penelitian menekankan pentingnya memahami sentimen masyarakat terhadap isu-isu politik sensitif untuk meresponsnya dengan tepat. Selain itu, penelitian ini bertujuan memberikan wawasan berharga mengenai persepsi publik terhadap isu-isu sensitif, menjelaskan bagaimana masyarakat merespons tindakan dan pernyataan Unilever dalam konteks konflik tersebut. Kata kunci: analisis sentimen, Unilever, Israel-Palestina, Twitter, wordcloud
Actions (login required)
 |
View Item |
