Analisis Sentimen Pengguna X Terhadap Penetapan UKT di Indonesia Menggunakan Metode Support Vector Machine
Tahun 2026 · Penulis: Darojatul Alya Anwar
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/7574
Skripsi kelompok: digabung dari 2 unggahan dengan isi yang sama.
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Analisis sentimen merupakan salah satu teknik dalam pengolahan bahasa alami (Natural Language Processing) yang bertujuan untuk mengelompokkan opini atau pandangan masyarakat ke dalam kategori sentimen positif, negatif, dan netral. Teknik ini digunakan untuk memahami respons publik terhadap suatu isu yang disampaikan melalui media sosial. Salah satu isu yang banyak dibahas di media sosial adalah kebijakan Uang Kuliah Tunggal (UKT) di Indonesia. Penelitian ini bertujuan menganalisis sentimen pengguna aplikasi X terhadap penetapan UKT menggunakan metode Support Vector Machine (SVM). Data dikumpulkan pada tanggal 1 sampai 30 Juni 2025 sebanyak 16.588 tweet. Tahapan penelitian meliputi preprocessing data teks yang terdiri dari cleaning, case folding, normalization, tokenizing, stopword removal, dan stemming. Data dibagi ke dalam tiga skema pembagian data, yaitu 80:20, 70:30, dan 60:40. Data kemudian direpresentasikan dalam bentuk fitur numerik menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Metode SVM diterapkan dengan kernel linier, Radial Basis Function (RBF), polinomial, dan sigmoid, serta dievaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa tweet terkait penetapan UKT sebagian besar bersifat negatif, diikuti positif, sedangkan netral sedikit. Ekstraksi fitur TF IDFا menunjukkanاkataا “ukt”ا memilikiا bobotا tertinggi,ا yangا membantuا modelا SVM membedakan sentimen. Berdasarkan hasil evaluasi, model SVM dengan kernel RBF pada skema pembagian data 80:20 menghasilkan akurasi 85,8%. Analisis menunjukkan bahwa sebagian besar tweet terkait penetapan UKT mengandung sentimen negatif, diikuti sentimen positif, sedangkan tweet dengan sentimen netral jumlahnya sedikit dibandingkan dua kelas lainnya.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,837
Tahun 2026 · Penulis: Ubaid Farid Handoko
Ekstraksi Opini Negatif dan Klasifikasi Sentimen Pengguna Menggunakan Latent Dirichlet Allocation dan Support Vector Machine pada Program Danantara di Media Sosial X
Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Program Danantara di media sosial X dengan menggabungkan Latent Dirichlet Alokasi (LDA) untuk ekstraksi topik dan Dukungan Mesin Vektor (SVM) untuk klasifikasi sentimen. Dataset terdiri dari
- Cosine 0,828
Tahun 2026 · Penulis: Denta Muhammad Febrisuda
Analisis Kinerja SVM Dan KNN Menggunakan Fitur TF IDF Dan TF-ICF Pada Dataset Sentiment140
Penelitian ini bertujuan untuk mengatasi tantangan klasifikasi sentimen pada data Twitter yang memiliki karakteristik berdimensi tinggi dan tidak terstruktur. Fokus utama penelitian adalah melakukan analisis komparatif untuk menguji efektivitas metode pembobot
- Cosine 0,826
Tahun 2026 · Penulis: Fatimah Azzaroh
Analisis Sentimen dan Pemodelan Topik pada Ulasan Penggna Telemedicine Indonesia Menggunakan IndoBERT dan LDA
Peningkatan pemanfaatan layanan telemedicine di Indonesia menghasilkan ulasan pengguna dalam jumlah besar di Google Play Store. Ulasan tersebut berbentuk teks tidak terstruktur sehingga sulit diekstraksi secara manual, sementara penelitian terdahulu pada domai