Diyas Puspandari, - (2022) PENELUSURAN MEDAN MAKNA DAN MAKNA ASOSIASI DALAM CUITAN MENYENANGKAN. S3 thesis, Universitas Pendidikan Indonesia.
![]() |
Text
D_LING_1402333_Title.pdf Download (334kB) |
|
![]() |
Text
D_LING_1402333_Chapter1.pdf Download (129kB) |
|
![]() |
Text
D_LING_1402333_Chapter2.pdf Restricted to Staf Perpustakaan Download (163kB) |
|
|
Text
D_LING_1402333_Chapter3.pdf Download (342kB) | Preview |
|
![]() |
Text
D_LING_1402333_Chapter4.pdf Restricted to Staf Perpustakaan Download (809kB) |
|
![]() |
Text
D_LING_1402333_Chapter5.pdf Download (47kB) |
|
![]() |
Text
D_LING_1402333_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB) |
Abstract
ABSTRAK Selama ini, pembangunan sistem klasifikasi makna cuitan (selanjutnya disingkat SKMC) bertujuan untuk mengetahui makna cuitan (bermakna positif, negatif, atau netral) dengan prosedur standar. Prosedur standar yang dimaksud adalah mengumpulkan data cuitan, membagi cuitan sebagai data training dan data testing, lalu melabeli data dengan kategori positif, negatif, netral dan selanjutnya SKMC akan mempelajarinya agar bisa memprediksi makna cuitan berdasarkan pelabelan data tersebut. Penelitian ini diharapkan bermanfaat membantu meningkatkan akurasi prediksi SKMC. Untuk itu, penelitian ini menelusuri kata-kata yang termasuk dalam medan makna menyenangkan dan kata-kata yang memiliki makna asosiasi dengan menyenangkan dari cuitan-cuitan menyenangkan. Dari penelusuran ini, hasil yang diharapkan adalah terbentuknya perbendaharaan kata dalam medan makna menyenangkan dan kata bermakna asosiasi menyenangkan. Tujuan penelitian ini meliputi 1) memaparkan proses pemetaan medan makna kata menyenangkan berdasarkan penelusuran dari cuitan warganet, 2) memaparkan proses pemetaan makna asosiasi menyenangkan berdasarkan penelusuran dari cuitan warganet, 3) memaparkan kontribusi hasil penelusuran medan makna menyenangkan dan makna asosiasi menyenangkan terhadap SKMC. Untuk mencapai tujuan tersebut, penelitian ini menggunakan metode penelitian deskriptif kualitatif, yaitu mengambarkan fenomena kebahasaan sesuai kenyataan dan berdasarkan pada pengamatan didukung penghitungan data untuk menghasilkan data deskriptif (yaitu data tertulis/lisan di masyarakat bahasa). Desain penelitian ini mengadopsi desain Rundell untuk menyusun kamus karena dari hasil penelitian ini dibangunlah database kosakata dalam medan makna menyenangkan dan kata berasosisasi menyenangkan. Adopsi desain mengarahkan pada rancangan metode penelitian yang dilakukan dengan langkah-langkah:1) studi literatur, 2) pengambilan data, 3) penyaringan data, 4) pengelompokan data (analisis), 5) pengujian, 6) perbaikan pengelompokan data, 7) pengujian ulang, dan 8) penulisan laporan. Data penelitian ini diambil dari bahasa tulis, yaitu cuitan warganet di Twitter. Cuitan yang diambil sebagai data hanyalah cuitan yang diunggah di wilayah Bandung kota. Data diambil dari cuitan selama satu hari, sejumlah 1.085 cuitan. Penelusuran ini menghasilkan temuan berupa 325 kata yang masuk dalam medan makna menyenangkan dan 22 kata/gabungan kata yang memiliki makna asosiasi menyenangkan atau mengalami pergeseran makna menyenangkan. Setelah temuan berupa database medan makna dan makna asosiasi menyenangkan diterapkan ke SKMC, akurasi sistem dalam memprediksi cuitan menyenangkan naik dari 78,31% menjadi 84,45%. Artinya, temuan ini berkontribusi untuk meningkatkan akurasi SKMC dalam memprediksi cuitan bermakna menyenangkan. SKMC yang telah dimodifikasi ini selanjutnya diberi nama Sidikta (sistem prediksi cuitan). Penelitian ini memberikan arahan agar penelitian selanjutnya (pengembangan Sidikta) bisa berfokus pada penambahan cuitan-cuitan terbaru agar data base kosakata medan makna menyenangkan dan kosakata berasosiasi menyenangkan makin besar dan persentase akurasi Sidikta lebih naik lagi. (Kata kunci: medan makna, makna asosiasi, cuitan menyenangkan) ABSTRACT All this time, the development of tweet meanings clarification system (further referred as SKMC which stands for ‘Sistem Klarifikasi Makna Cuitan’) is intended to verify tweet meanings (positive, negative, or neutral implications) with standard procedure. The referred standard procedure consists of collecting tweets, categorizing tweets into data training and data testing, and then labelling those data into positive, negative, neutral and then SKMC will learn those data to be able to predict tweet meanings based on labelized data. This research is hoped to help increasing the accuracy of SKMC prediction. Therefore, this research traces the words which are categorized as pleasant semantic field and words that are associated with pleasant meanings from pleasant tweets. From these tracings, the expected outcome is to create word vocabularies in pleasant semantic field and words associated with pleasant meanings. The purpose of this research includes: 1) elaborating the process of pleasant semantic field tracing based on netizen’s tweets, 2) elaborating the process of pleasant association meaning tracing based on netizen’s tweets, 3) elaborating the contribution of semantic field and association meaning tracing results to the tweets meaning predicition system in social media. To achieve those purposes, this research used a qualitative descriptive research approach, which represents a linguistic phenomenon according and based on observation supported by data calculations to generate descriptive descriptive data (which is written/oral data in linguistic community. This research design adapts the Rundell’s design in dictionary creation as the research results are then built into a vocabulary database in pleasant semantic fields and words with pleasant association. The design adaption points to the designed research method that is conducted through these steps: 1) literature study, 2) data collection, 3) data filtering, 4) data categorizing (analysis), 5) testing, 6) data categorization revision, 7) re-testing, and 8) report writing. This research data is taken from written language, which are netizen’s tweets from Twitter. The tweets taken are only tweets that were uploaded in Bandung. Data was taken from tweets in one day, with an amount of 1.085 tweets. This tracing resulted in findings of 322 words/combined words/terms which are categorized as pleasant semantic fields and 22 words/combined words which have pleasant association or have a shift in pleasant meanings. After applying the findings into SKMC in the form of pleasant semantic field and association meanings vocabularies, the system accuracy in predicting pleasant tweets rise from 78,31% to 84,45%. This means that this finding has contributed in elevating SKMC’s accuracy in predicting tweets with pleasant meanings. The modified SKMC is now being rebranded as Sidikta (Sistem Prediksi Cuitan). This research acts as a guide for future researchers (Sidikta development) to focus on adding recent tweets to create a more accurate vocabulary database in pleasant semantic field and words with pleasant association. (Keywords: semantic field, association meaning, pleasant tweet)
Item Type: | Thesis (S3) |
---|---|
Uncontrolled Keywords: | medan makna, makna asosiasi, cuitan menyenangkan |
Subjects: | L Education > L Education (General) P Language and Literature > P Philology. Linguistics |
Divisions: | Sekolah Pasca Sarjana > Linguistik S-3 |
Depositing User: | Diyas Puspandari |
Date Deposited: | 20 May 2022 02:42 |
Last Modified: | 20 May 2022 02:42 |
URI: | http://repository.upi.edu/id/eprint/72410 |
Actions (login required)
![]() |
View Item |