Analisis Sentimen Di Media Sosial Tentang Kualitas Layanan KAI Setelah Pandemi Menggunakan Machine Learning

Setyawan, Stephanus Wisnu (2024) Analisis Sentimen Di Media Sosial Tentang Kualitas Layanan KAI Setelah Pandemi Menggunakan Machine Learning. S2 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.

Preview	Text (Stephanus Wisnu Setyawan) 215311587_Bab 0.pdf Download (213kB) | Preview
Preview	Text 215311587_Bab 1.pdf Download (262kB) | Preview
Preview	Text 215311587_Bab 2.pdf Download (399kB) | Preview
	Text 215311587_Bab 3.pdf Restricted to Registered users only Download (341kB)
	Text 215311587_Bab 4.pdf Restricted to Registered users only Download (774kB)
	Text 215311587_Bab 5.pdf Restricted to Registered users only Download (359kB)
	Text 215311587_Bab 6.pdf Restricted to Registered users only Download (336kB)

Abstract

Media sosial adalah sebuah media online, di mana para penggunanya bisa dengan mudah berpartisipasi, berbagi dan menciptakan sebuah postingan. Jejaring sosial seperti Twitter merupakan bentuk media sosial yang paling umum digunakan oleh masyarakat di seluruh dunia. Salah satu postingan-postingan pada media sosial Twitter adalah tweet tentang Kereta Api Indonesia (KAI). Tweet-tweet tersebut biasanya akan menghasilkan sentimen, di mana sentimen-sentimen tersebut dapat diolah menjadi sebuah analisis sentimen. Penelitian ini akan bertujuan untuk mengetahui analisis sentimen di media sosial Twitter tentang kualitas layanan KAI dimasa setelah masa pandemi COVID- 19 berakhir dan mengetahui model machine learning yang terbaik dalam melakukan analisis sentimen tersebut. Data yang akan digunakan adalah tweet tentang @KAI121 pada rentang waktu 22 Juni 2023 hingga 31 Desember 2023. Penelitian ini akan menggunakan model TF-IDF SVM, TF-IDF RF, TF-IDF KNN, CV SVM, CV RF dan CV KNN yang akan digunakan untuk membandingkan mana model machine learning yang terbaik. Hasil sentimen setiap dimensi kualitas layanan KAI dimasa berakhirnya pandemi COVID-19, menunjukkan bahwa penumpang KAI cenderung menunjukkan respon yang cukup netral. Selain itu SVM menunjukkan performa terbaik, baik menggunakan feature extraction CV ataupun TF-IDF, di mana selalu memberikan akurasi yang tinggi yaitu lebih dari 80% pada setiap dimensi.

Actions (login required)

View Item