PERBANDINGAN METODE NAIVE BAYES, SUPPORT VECTOR MACHINE, DAN LOGISTIC REGRESSION DALAM ANALISIS SENTIMEN KOMENTAR TIKTOK TERHADAP PENGELOLAAN SAMPAH DI INDONESIA DAN BELANDA

Munir, Nofita (2026) PERBANDINGAN METODE NAIVE BAYES, SUPPORT VECTOR MACHINE, DAN LOGISTIC REGRESSION DALAM ANALISIS SENTIMEN KOMENTAR TIKTOK TERHADAP PENGELOLAAN SAMPAH DI INDONESIA DAN BELANDA. Tugas Akhir (S1) - thesis, Universitas Bakrie.

	Text (Cover) 00.Cover.pdf - Accepted Version Download (162kB)
	Text (BAB I-III) 01. BAB I-III.pdf - Accepted Version Restricted to Registered users only Download (834kB) | Request a copy
	Text (BAB IV) 02. BAB IV.pdf - Accepted Version Restricted to Registered users only Download (421kB) | Request a copy
	Text (BAB V) 03.BAB V.pdf - Accepted Version Restricted to Registered users only Download (13kB) | Request a copy
	Text (BAB Daftar Pustaka) 04. BAB Daftar Pustaka.pdf - Accepted Version Download (163kB)
	Text (Lampiran) 05. Lampiran.pdf - Accepted Version Restricted to Registered users only Download (10kB) | Request a copy

Abstract

Permasalahan sampah masih menjadi isu lingkungan yang mendapat perhatian di banyak negara, termasuk Indonesia dan Belanda, yang memiliki sistem pengelolaan sampah berbeda dan kerap dibandingkan di media sosial, khususnya TikTok, meski opininya belum banyak diukur secara sistematis. Penelitian ini menganalisis sentimen komentar pengguna TikTok terhadap pengelolaan dan daur ulang sampah di kedua negara, sekaligus. Membandingkan kinerja tiga algoritma klasifikasi, yaitu Naive Bayes, Support Vector Machine, dan Logistic Regression. Data dikumpulkan dari tujuh unggahan TikTok menggunakan Apify, dengan komentar berbahasa Belanda diterjemahkan ke Bahasa Indonesia, kemudian melewati tahap preprocessing, pelabelan sentimen berbasis InSet Lexicon yang dilengkapi aturan negasi dan penanganan sarkasme, serta pembobotan kata menggunakan TF-IDF. Hasil analisis menunjukkan masyarakat Indonesia cenderung memberikan opini positif, sedangkan masyarakat Belanda cenderung lebih berimbang antara positif dan negatif. Pada perbandingan kinerja model, Logistic Regression memperoleh hasil terbaik dengan akurasi 75,91%, diikuti Support Vector Machine 74,62% dan Naive Bayes 71,83%, sehingga Logistic Regression menjadi algoritma paling optimal dalam penelitian ini. Belum tercapainya akurasi di atas 80% diduga dipengaruhi oleh keterbatasan data kelas netral dan karakteristik bahasa informal pada komentar media sosial.

Item Type:	Thesis (Tugas Akhir (S1) - )
Uncontrolled Keywords:	Analisi Sentimen, TikTok, Naive Bayes, Support Vector MAchine, Logistic Regression, TF-IDF, Pengelolaan Sampah
Subjects:	Computer Science > Data mining (Penggalian data) Thesis > Thesis (S1)
Divisions:	Fakultas Teknik dan Ilmu Komputer > Program Studi Informatika
Depositing User:	Nofita Munir
Date Deposited:	24 Sep 2026 01:45
Last Modified:	24 Sep 2026 01:45
URI:	https://repository.bakrie.ac.id/id/eprint/15041

Actions (login required)

View Item