Analisis Sentimen Pengguna Mobil Listrik Pada Sosial Media Twitter Menggunakan Metode Naive Bayes Classifier, K-Nearest Neighbor (Knn)Dan Decision Tree

Teguh Prasetyo, . (2025) Analisis Sentimen Pengguna Mobil Listrik Pada Sosial Media Twitter Menggunakan Metode Naive Bayes Classifier, K-Nearest Neighbor (Knn)Dan Decision Tree. Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (829kB)
	Text BAB I.pdf Restricted to Registered users only Download (179kB)
	Text BAB II.pdf Restricted to Registered users only Download (647kB)
	Text BAB III.pdf Restricted to Registered users only Download (211kB)
	Text BAB IV.pdf Restricted to Registered users only Download (6MB)
	Text BAB V.pdf Restricted to Registered users only Download (32kB)
	Text Jurnal.pdf Restricted to Registered users only Download (762kB)

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen pengguna mobil listrik menggunakan tiga algoritma klasifikasi machine learning: Naïve Bayes, Decision Tree, dan K-Nearest Neighbor. Data penelitian diambil dari media sosial Twitter dengan jumlah data bersih sebanyak 1869 tweet. Proses analisis meliputi ekstraksi teks, preprocessing, serta penggunaan teknik word embedding TF-IDF dan Word2Vec. Hasil penelitian menunjukkan bahwa sentimen netral mendominasi sebesar 53,85%, diikuti oleh sentimen positif 35,85% dan sentimen negatif 10,30%. Dari model yang diuji, Decision Tree dengan embedding TF-IDF memiliki performa terbaik dengan akurasi 93,75%, sementara performa terendah ditunjukkan oleh Naïve Bayes dengan Word2Vec yang hanya mencapai 63,50%. KNN dengan TF-IDF memiliki akurasi 89,25%, lebih tinggi dibandingkan KNN dengan Word2Vec yang mencapai 87,75%. Sementara itu, Naïve Bayes dengan TF-IDF memiliki akurasi 81,50%, lebih tinggi daripada Naïve Bayes dengan Word2Vec yang hanya mencapai 63,50%. Berdasarkan analisis data perbandingan hasil model, Decision Tree dengan TF-IDF berhasil mengklasifikasikan 126 data sebagai positif, 1419 data sebagai netral, dan 55 data sebagai negatif. Selain itu, evaluasi kompleksitas waktu menunjukkan bahwa KNN dengan Word2Vec memiliki waktu training tercepat (0,003 detik), sementara Decision Tree dengan Word2Vec memiliki waktu prediksi tercepat (0,001 detik). Naïve Bayes dengan TF-IDF memiliki waktu training paling lama (0,496 detik), namun Decision Tree dengan TF-IDF memberikan keseimbangan optimal antara waktu training dan prediksi. Penelitian ini memberikan wawasan bagi industri otomotif dan pemerintah dalam memahami persepsi masyarakat terhadap mobil listrik. Hasil penelitian juga menyoroti efektivitas berbagai algoritma machine learning dan word embedding dalam analisis sentimen.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	analisis sentimen, mobil listrik, Twitter, KNN, Decision Tree, Naïve Bayes
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 08:05
Last Modified:	04 Jul 2025 08:16
URI:	http://repository.unpam.ac.id/id/eprint/16768

Actions (login required)

View Item