ADIWINATA, CALVIN (2025) ANALISIS SENTIMEN PENGGUNA X TERHADAP MOTOR LISTRIK MENGGUNAKAN ALGORITMA SVM DAN BERT. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (362kB) | 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 (114kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (177kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (111kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (126kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (34kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (115kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (723kB) |
Abstract
This study presents a comparative analysis of Support Vector Machine (SVM) and Bidirectional Encoder Representations from Transformers (BERT) for sentiment analysis on electric motorcycles in Indonesia using data from the social media platform X (formerly known as Twitter). A dataset of 128,711 tweets collected between 2015 and 2024 was refined through systematic preprocessing, reducing the corpus to 38,954 entries after data cleaning, tokenization, and feature selection. The objective was to evaluate algorithm performance in classifying public sentiment, with metrics including accuracy, precision, recall, and computational efficiency. Results showed that SVM achieved higher overall accuracy (89.74%) with strong precision for positive sentiment (91%), while BERT, specifically the IndoBERT P2 variant, demonstrated superior recall for negative sentiment (91%) despite a slightly lower accuracy (87.90%), effectively capturing nuanced contextual language, such as sarcasm, informal expressions, and emotionally ambiguous statements that require deeper semantic understanding beyond literal word meanings. Computational analysis revealed that SVM required approximately 53 minutes of CPU training, compared to BERT’s 3.3 hours on GPU. The study suggests that SVM is optimal for rapid, resource-constrained applications, whereas BERT excels in detailed contextual analysis. These findings guide stakeholders in selecting algorithms based on analytical priorities, such as monitoring public reception or addressing consumer concerns. Kata kunci: electric motorcycles, sentiment analysis, SVM, BERT, social media. Penelitian ini menyajikan analisis komparatif antara algoritma Support Vector Machine (SVM) dan Bidirectional Encoder Representations from Transformers (BERT) dalam tugas analisis sentimen terhadap motor listrik di Indonesia, dengan menggunakan data dari platform media sosial X (sebelumnya dikenal sebagai Twitter). Sebanyak 128.711 cuitan yang dikumpulkan selama periode 2015 hingga 2024 telah melalui proses pra-pemrosesan secara sistematis, sehingga menghasilkan 38.954 data bersih setelah melalui tahap pembersihan teks, tokenisasi, dan seleksi fitur. Tujuan utama dari penelitian ini adalah mengevaluasi kinerja kedua algoritma dalam mengklasifikasikan sentimen publik, dengan menggunakan metrik evaluasi seperti akurasi, presisi, recall, serta efisiensi komputasi. Hasil penelitian menunjukkan bahwa algoritma SVM memperoleh akurasi yang lebih tinggi (89,74%) dan presisi yang kuat dalam mendeteksi sentimen positif (91%). Sementara itu, varian BERT yang digunakan, yaitu IndoBERT P2, unggul dalam recall terhadap sentimen negatif (91%) meskipun akurasinya sedikit lebih rendah (87,90%). BERT menunjukkan kemampuan lebih baik dalam menangkap makna kontekstual yang kompleks, seperti sarkasme, bahasa informal, dan ekspresi emosional yang ambigu, yang tidak dapat ditangani secara optimal oleh metode berbasis literal. Dari sisi komputasi, SVM memerlukan waktu pelatihan sekitar 53 menit menggunakan CPU, sedangkan BERT membutuhkan sekitar 3,3 jam dengan bantuan GPU. Temuan ini menunjukkan bahwa SVM lebih sesuai untuk aplikasi yang membutuhkan kecepatan dan efisiensi sumber daya, sementara BERT lebih unggul dalam analisis mendalam terhadap konteks bahasa. Dengan demikian, hasil penelitian ini dapat menjadi acuan bagi para pemangku kepentingan dalam memilih algoritma yang sesuai berdasarkan kebutuhan analisis, seperti pemantauan respons publik atau identifikasi keluhan konsumen. Kata kunci: motor listrik, analisis sentimen, SVM, BERT, media sosial.
Actions (login required)
 |
View Item |
