NEGARA, YUSTIAR CATUR (2025) ANALISIS SENTIMEN TERKAIT FENOMENA TECH WINTER MELALUI MEDIA SOSIAL X MENGGUNAKAN NATURAL LANGUAGE PROCESSING. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (510kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (105kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (257kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (133kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (349kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (28kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (97kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (809kB) |
Abstract
The tech winter phenomenon is a situation where many technology-based startups face financial problems that can cause them to go bankrupt. This is characterized by a decrease in the number of jobs, a halt in recruitment, and a decrease in technology investment. In Indonesia, many large companies such as Tokopedia, Gojek, and Traveloka have been affected by this phenomenon. Social media X has grown into one of the main platforms where people can express their opinions about this phenomenon. Therefore, this study aims to conduct a sentiment analysis of the tech winter phenomenon using the K-Nearest Neighbor (KNN) algorithm and natural language processing (NLP) techniques. The data used consists of 2,101 text data that have gone through a preprocessing stage and are grouped into three categories: positive, neutral, and negative. The TF-IDF method displays text features, while GridSearchCV with five-step cross validation is used to find the best parameters. A data sharing scheme of 20% for testing and 80% for training is used to test the KNN model. The evaluation results show that the model works well with a value of 55.11%, an accuracy of 55.41%, a recall of 55.11%, and an f1- score of 53.68% at the best k value = 20. The distribution of sentiment also shows that public perception of tech winter tends to be positive or neutral, with negative sentiment being in a smaller proportion. These findings provide an overview of public response to the tech winter phenomenon and provide a basis for the development of more accurate classification methods on text data in the future. Kata kunci: Tech winter, sentiment analysis, social media X, NLP, TF-IDF, VADER, KNN. Fenomena musim dingin teknologi atau tech winter adalah situasi di mana banyak perusahaan rintisan berbasis teknologi menghadapi masalah keuangan yang dapat menyebabkan mereka gulung tikar. Ini ditandai dengan penurunan jumlah pekerjaan, penghentian rekrutmen, dan penurunan investasi teknologi. Di Indonesia, banyak perusahaan besar seperti Tokopedia, Gojek, dan Traveloka terkena dampak fenomena ini. Media sosial X telah berkembang menjadi salah satu platform utama di mana masyarakat dapat menyampaikan pendapat mereka tentang fenomena ini. Oleh karena itu, penelitian ini bertujuan untuk melakukan analisis sentimen terhadap fenomena musim dingin teknologi dengan menggunakan algoritma K-Nearest Neighbor (KNN) dan teknik pemrosesan bahasa natural (NLP). Data yang digunakan terdiri dari 2.101 data teks yang telah melalui tahap preprocessing dan dikategorikan ke dalam tiga kategori: positif, netral, dan negatif. Metode TF-IDF menampilkan fitur teks, sedangkan GridSearchCV dengan crossvalidation lima langkah digunakan untuk menemukan parameter terbaik. Skema pembagian data 20% untuk pengujian dan 80% untuk pelatihan digunakan untuk menguji model KNN. Hasil evaluasi menunjukkan bahwa model bekerja dengan baik dengan nilai akurasi 55,11%, presisi 55,41%, recall 55,11%, dan skor f1- 53,68% pada nilai k terbaik = 20. Distribusi sentimen juga menunjukkan bahwa persepsi publik terhadap tech winter cenderung positif atau netral, dengan sentimen negatif berada dalam proporsi lebih kecil. Temuan ini memberikan gambaran umum tentang respons masyarakat terhadap fenomena tech winter serta memberikan dasar untuk pengembangan metode klasifikasi yang lebih akurat pada data teks di masa mendatang. Kata kunci: Tech winter, analisis sentimen, media sosial X, NLP, TF-IDF, VADER, KNN.
Actions (login required)
 |
View Item |
