ANALISIS SENTIMEN MASYARAKAT TERHADAP KEBIJAKAN TABUNGAN PERUMAHAN RAKYAT (TAPERA) BERDASARKAN OPINI DARI TWITTER MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM)

Regy Saputra, - (2024) ANALISIS SENTIMEN MASYARAKAT TERHADAP KEBIJAKAN TABUNGAN PERUMAHAN RAKYAT (TAPERA) BERDASARKAN OPINI DARI TWITTER MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM). S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_1703027_Title.pdf Download (263kB)
	Text S_KOM_1703027_Chapter1.pdf Download (140kB)
	Text S_KOM_1703027_Chapter2.pdf Restricted to Staf Perpustakaan Download (410kB) | Request a copy
	Text S_KOM_1703027_Chapter3.pdf Download (183kB)
	Text S_KOM_1703027_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_KOM_1703027_Chapter5.pdf Download (60kB)

Abstract

Salah satu upaya pemerintah untuk menekan angka ketimpangan pemilikan rumah atau backlog yang dilaporkan mencapai 9,95 juta anggota keluarga yaitu dengan program Tabungan Perumahan Rakyat atau Tapera. Namun kebijakan ini mendapat banyak kritikan khususnya di sosial media Twitter. Banyaknya opini/pendapat yang dituliskan di twitter dapat diklasifikasikan sesuai sentimen yang ada agar mudah untuk mendapatkan kecenderungan tanggapan tersebut terhadap kebijakan Tapera ini, apakah lebih cenderung ke hal yang positif, negatif, atau netral. Pada kasus ini algoritma Naïve Bayes dan SVM adalah metode yang di gunakan untuk melakukan klasifikasi pada penelitian ini, karena kedua metode ini yang populer untuk masalah klasifikasi, Kesimpulan dari hasil penelitian ini menerangkan bahwasanya metode naïve bayes memiliki akurasi yang lebih tinggi dibandingkan SVM. One of the government's efforts to reduce the number of home ownership inequality or backlog reported to reach 9.95 million family members is through the People's Housing Savings or Tapera program. However, this policy has received a lot of criticism, especially on social media Twitter. The many opinions/views written on Twitter can be classified according to existing sentiments so that it is easy to get the tendency of the response to this Tapera policy, whether it tends to be positive, negative, or neutral. In this case, the Naïve Bayes and SVM algorithms are the methods used to classify in this study, because these two methods are popular for classification problems. The conclusion of the results of this study explains that the Naïve Bayes method has higher accuracy than SVM.

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Analisis Sentimen, Naïve Bayes, Support Vector Machine. Sentiment Analysis, Naïve Bayes, Support Vector Machine.
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Regy Saputra
Date Deposited:	11 Sep 2024 04:41
Last Modified:	11 Sep 2024 04:41
URI:	http://repository.upi.edu/id/eprint/124038

Actions (login required)

View Item