PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN REVIEW PENGGUNA PADA TWITTER RUANG GURU

Bagus Haryanto, - (2023) PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN REVIEW PENGGUNA PADA TWITTER RUANG GURU. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_BD_TSK_1904441_Title.pdf Download (573kB)
	Text S_BD_TSK_1904441_Chapter1.pdf Download (93kB)
	Text S_BD_TSK_1904441_Chapter2.pdf Restricted to Staf Perpustakaan Download (280kB)
	Text S_BD_TSK_1904441_Chapter3.pdf Download (197kB)
	Text S_BD_TSK_1904441_Chapter4.pdf Restricted to Staf Perpustakaan Download (669kB)
	Text S_BD_TSK_1904441_Chapter5.pdf Download (79kB)
	Text S_BD_TSK_1904441_Appendix.pdf Restricted to Staf Perpustakaan Download (521kB)

Abstract

Perkembangan teknologi dan informasi yang pesat dalam dunia pendidikan telah menciptakan transformasi baru yang dikenal sebagai e-learning. Ruang Guru adalah perusahaan teknologi yang fokus pada layanan pendidikan berbasis teknologi informasi, pada tahun 2023 jumlah pengguna Ruang Guru mencapai 38 juta pengguna aktif. Dengan meningkatnya jumlah pengguna secara signifikan, review mengenai layanan Ruang Guru juga mengalami peningkatan, mencakup review yang menyatakan kepuasan dan ketidakpuasan. Analisis sentimen menjadi instrumen penting untuk memahami secara umum apakah review tersebut memiliki sentimen positif atau negatif. Twitter menjadi platform media sosial yang banyak digunakan oleh pengguna untuk berbagi opini tentang layanan Ruang Guru. Penelitian ini bertujuan untuk melakukan klasifikasi terhadap review pengguna Ruang Guru di Twitter menggunakan algoritma Support Vector Machine (SVM). Selama jangka waktu satu bulan (1-31 Maret 2023), data review pengguna mengenai Ruang Guru yang berasal dari platform Twitter telah dikumpulkan. Penjaringan data ini dilakukan sejalan dengan pelaksanaan Seleksi Nasional Bersama Tes (SNBT). Dari hasil scrapping, total terhimpun 406 entitas data. Data-data tersebut selanjutnya mengalami proses pelabelan, yang mengategorikan mereka ke dalam dua kelas berbeda: sentimen positif dan sentimen negatif. Hasil pengujian melalui perhitungan TF-IDF dan confusion matrix menunjukkan hasil berikut: acurracy mencapai 78,5%, precision sebesar 60%, recallsebesar 30%, dan nilai f1_score sebesar 40%. Hasil dari penelitian ini menyimpulkan bahwa algoritma Support Vector Machine (SVM) berhasil diimplementasikan dan dapat menjadi bahan evaluasi Ruang Guru di masa SNBT yang akan datang. The rapid development of technology and information in education has created a new transformation known as e-learning. Ruang Guru is a technology company that focuses on information technology-based education services, by 2023 the number of Ruang Guru users will reach 38 million active users. With the significant increase in the number of users, reviews about Ruang Guru's services have also increased, including reviews expressing satisfaction and dissatisfaction. Sentiment analysis becomes an important instrument to generally understand whether the review has a positive or negative sentiment. Twitter is a social media platform that is widely used by users to share opinions about Ruang Guru services. This research aims to classify Ruang Guru user reviews on Twitter using the Support Vector Machine (SVM) algorithm. Over a period of one month (March 1-31, 2023), user review data about Ruang Guru from the Twitter platform was collected. This data scraping was conducted in line with the implementation of the National Joint Test Selection (SNBT). From the scrapping results, a total of 406 data entities were collected. The data were then subjected to a labeling process, which categorized them into two different classes: positive sentiment and negative sentiment. Test results through TF-IDF and confusion matrix calculations show the following results: 78.5% accuracy, 60% precision, 30% recall, and 40% f1_score. The results of this study conclude that the Support Vector Machine (SVM) algorithm was successfully implemented and can be used as an evaluation material for the Ruang Guru in the future SNBT period.

Item Type:	Thesis (S1)
Additional Information:	Link Google Scholar: https://scholar.google.com/citations?view_op=new_profile&hl=en&authuser=2 ID SINTA Dosen Pembimbing Oding Herdiana: 6745912 Rangga Gelar Guntara: 6738149
Uncontrolled Keywords:	analisis sentiment, support vector machine, twitter, ruang guru
Subjects:	L Education > L Education (General)
Divisions:	UPI Kampus Tasikmalaya > S1 Bisnis Digital
Depositing User:	Bagus Haryanto
Date Deposited:	24 Sep 2023 13:39
Last Modified:	24 Sep 2023 13:39
URI:	http://repository.upi.edu/id/eprint/99721

Actions (login required)

View Item