DEWA, LINTANG ANNURYA (2023) IMPLEMENTASI METODE RANDOM OVER-UNDER SAMPLING PADA ALGORITMA RANDOM FOREST CLASSIFIER DALAM PROSES ANALISIS SENTIMEN PADA WEBSITE STEAM (STUDI KASUS: GAME CYBERPUNK 2077). S1 thesis, Universitas Mercu Buana - Buncit.
|
Text (COVER)
41519010054 - Lintang Annurya Dewa - 02 Cover.pdf Download (467kB) | Preview |
|
|
Text (ABSTRAK)
41519010054 - Lintang Annurya Dewa - 03 Abstrak.pdf Download (144kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB 1)
41519010054 - Lintang Annurya Dewa - 04 BAB 1.pdf Restricted to Registered users only Download (149kB) |
|
|
Text (BAB 2)
41519010054 - Lintang Annurya Dewa - 05 BAB 2.pdf Restricted to Registered users only Download (361kB) |
|
|
Text (BAB 3)
41519010054 - Lintang Annurya Dewa - 06 BAB 3.pdf Restricted to Registered users only Download (146kB) |
|
|
Text (BAB 4)
41519010054 - Lintang Annurya Dewa - 07 BAB 4.pdf Restricted to Registered users only Download (737kB) |
|
|
Text (BAB 5)
41519010054 - Lintang Annurya Dewa - 08 BAB 5.pdf Restricted to Registered users only Download (106kB) |
|
|
Text (DAFTAR PUSTAKA)
41519010054 - Lintang Annurya Dewa - 09 Daftar Pustaka.pdf Restricted to Registered users only Download (141kB) |
|
|
Text (LAMPIRAN)
41519010054 - Lintang Annurya Dewa - 10 Lampiran.pdf Restricted to Registered users only Download (630kB) |
|
|
Text (JURNAL)
41519010054 - Lintang Annurya Dewa - 11 Jurnal.pdf Restricted to Registered users only Download (411kB) |
Abstract
Penelitian ini membahas tentang implementasi metode Random Over-Under Sampling pada algoritma Random Forest Classifier dalam proses analisis sentimen pada website Steam, dengan studi kasus pada game Cyberpunk 2077. Game ini mengalami masalah signifikan setelah perilisannya, terutama di konsol PS4 dan Xbox One, yang menyebabkan banyak pengguna memberikan ulasan negatif terkait dengan masalah teknis. Dataset yang digunakan diperoleh melalui proses scraping dari website Steam, berisi 106101 data ulasan sentiment positif dan negatif tentang game Cyberpunk 2077. Penelitian ini menunjukkan bahwa implementasi metode Random Over-Under Sampling pada algoritma Random Forest Classifier memberikan peningkatan kinerja dalam analisis sentimen pada website Steam, khususnya dalam konteks game Cyberpunk 2077. Pengujian dilakukan dengan dua metode rasio, yaitu 80:20 dan 70:30, dan keduanya menghasilkan hasil yang serupa dalam memprediksi sentimen ulasan game. Kedua model tersebut memiliki tingkat akurasi sekitar 87,8% dengan tingkat kesalahan klasifikasi sekitar 12,1% hingga 12,2%. Skor F1 dan ROC-AUC juga menunjukkan hasil yang serupa, dengan nilai sekitar 0,74 hingga 0,70. Namun, implementasi metode Over-Under Sampling memberikan peningkatan kinerja yang signifikan pada model. Tingkat akurasi meningkat menjadi 93,560%, dengan tingkat kesalahan klasifikasi yang lebih rendah, yaitu 6,439%. Selain itu, skor F1 yang tinggi (0,89857) dan ROC-AUC yang tinggi (0,93334) menunjukkan bahwa model mampu dengan baik dalam mengklasifikasikan sentimen ulasan game Cyberpunk 2077. Kata kunci: Analisis Sentimen, TF-IDF, Random Forest, Oversampling, Undersampling
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41519010054 |
| Uncontrolled Keywords: | Kata kunci: Analisis Sentimen, TF-IDF, Random Forest, Oversampling, Undersampling |
| 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 > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | Nasruddin Mansyur S.Hum |
| Date Deposited: | 17 Nov 2023 08:09 |
| Last Modified: | 17 Nov 2023 08:09 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/84238 |
Actions (login required)
 |
View Item |
