Electronic Theses and Dissertation

Keberadaan media sosial sebagai media yang dapat menampung seluruh opini dari masyarakat mengenai hal-hal yang terjadi dalam kehidupan. Banyak hal yang dapat ditawarkan oleh media sosial, seperti, pengguna dapat dengan mudah menyebarkan informasi ataupun mencari pesan dengan cepat, memberitakan sebuah kegiatan kepada pengguna lainnya ataupun berkomunikasi tanpa harus bertatap muka secara langsung. Salah satu media sosial terbanyak yang digunakan oleh pengguna adalah Twitter. Perlu dilakukan penelitian analisis sentimen masyarakat di Twitter terhadap pariwisata dan kebudayaan Aceh menggunakan Support Vector Machine (SVM), Naive Bayesian dan K-Nearest Neighbour (KNN). Tahapan yang dilakukan yaitu pengumpulan data Twitter, preprocessing data dan analisis hasil klasifikasi. Total data yang terkumpul yaitu 10.320 data tweet. Klasifikasi sentimen dibagi menjadi 3 kategori yaitu positif, negatif dan netral. Akurasi model yang dibagun dengan SVM dibagi menjadi 3 kategori, yaitu positif-negatif dengan akurasi 80,40%, netral-negatif dengan akurasi 81,11%, positif-negatif dengan akurasi 76,50%. Selanjutnya akurasi model terbaik yang dibangun menggunakan Naive Bayesian yaitu 65,445% dengan menggunakan percentage split 80 dan K-Folds 10. Terakhir akurasi model terbaik yang dibangun menggunakan K-Nearest Neighbour yaitu 71,3787% dengan menggunakan nilai K sebanyak 17, percentage split 80 dan K-Folds 10.

Kata kunci : Klasifikasi Twitter, SVM, Naive Bayesian, KNN.

The existence of social media as a medium that can accommodate all opinions from the public about things that happen in life. Many things can be offered by social media, such as, users can easily disseminate information or search for messages quickly, announce an activity to other users or communicate without having to meet face to face. One of the most used social media by users is Twitter. It is necessary to conduct research on analyzing community sentiment on Twitter toward's on Aceh's tourism and culture using Support Vector Machine (SVM), Naive Bayesian and K-Nearest Neighbour (KNN). The steps taken are Twitter data collection, data preprocessing and analysis of classification results. Total data collected is 10.320 tweets. Sentiment classification divided into 3 categories, positive, negative and neutral. The accuracy model built with SVM divided into 3 categories, positive-negative with 80,40%, neutral-negative with 81.11% and positive-neutral with 76,50%. Next, the best model accuracy built using Naive Bayesian is 65,445% using percentage split 80 and K-Folds 10. Finally, the best model accuracy built using K-Nearest Neighbour is 71,3787% with using K values of 17, percentage split 80 and K-Folds 10. Keywords : Twitter Classifications, SVM, Naive Bayesian, KNN.