ANALISIS FAKTOR PEMBOBOTAN ALGORITMA BM25 PADA PROSES ANALISIS SENTIMEN PEMBELAJARAN TATAP MUKA

HAYATUNNUFUS, ALISSA (2023) ANALISIS FAKTOR PEMBOBOTAN ALGORITMA BM25 PADA PROSES ANALISIS SENTIMEN PEMBELAJARAN TATAP MUKA. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) BAB 0.pdf Download (1MB)
	Text (BAB 1) BAB 1.pdf Download (685kB)
	Text (DAFTAR PUSTAKA) DP.pdf Download (575kB)
	Text (LAPORAN HASIL) LH.pdf Restricted to Repository staff only Download (5MB)
	Text (LAMPIRAN) L.pdf Download (952kB)

Abstract

Penyebaran informasi melalui media sosial memicu reaksi beragam di kalangan pengguna. Ketersediaan informasi yang cepat dan mudah diakses memunculkan opini positif dan negatif, serta pro dan kontra di antara pengguna media sosial. Twitter memiliki peran penting dalam menyampaikan opini terhadap tokoh publik, layanan, dan produk. Dalam konteks ini, analisis sentimen menjadi kunci untuk memahami opini publik. Penelitian ini fokus pada faktor pembobotan dalam analisis sentimen menggunakan Algoritma BM25 pada opini terkait pembelajaran tatap muka. Tahapan penelitian meliputi pre-processing data, pembobotan term, dan pemeringkatan dengan algoritma BM25. Algoritma BM25 telah terbukti efektif dalam menganalisis opini dengan menghitung kemiripan dokumen terhadap query. Studi lain menunjukkan bahwa BM25 memiliki kinerja lebih baik daripada metode pembobotan lain seperti TF-IDF. Penggunaan BM25 dapat membantu dalam sistem temu kembali informasi, seperti pada penelitian terkait berita olahraga berbahasa Indonesia. Penelitian ini bertujuan untuk mendalami faktor pembobotan dalam analisis sentimen menggunakan Algoritma BM25 pada opini terkait pembelajaran tatap muka. Dengan memahami sentimen masyarakat, penelitian ini dapat memberikan wawasan lebih mendalam tentang opini yang berkembang di platform media sosial seperti Twitter. Hasil evaluasi model K-Nearest Neighbor (KNN) menunjukkan akurasi sebesar 70.25%, dengan nilai recall yang tinggi untuk label positif mencapai 86%, sementara untuk label negatif sebesar 34%, dan label netral sebesar 46%. Dalam hal precision, model ini mencapai 76% untuk label positif, 46% untuk label negatif, dan 66% untuk label netral. Hasil ini diperoleh melalui penggunaan data training sebesar 90% dan data testing sebesar 10%, mengindikasikan kemampuan model dalam mengklasifikasikan data dengan baik dalam tiga kategori sentimen yang berbeda.

Actions (login required)

View Item