Aplikasi Metode Support Vector Machine (SVM) untuk Klasifikasi Sentimen Masyarakat Terhadap E-Tilang pada Media Sosial Twitter

Febriyanti, Nabila Isnaini (2023) Aplikasi Metode Support Vector Machine (SVM) untuk Klasifikasi Sentimen Masyarakat Terhadap E-Tilang pada Media Sosial Twitter. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 10611910000067-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (10MB) | Request a copy

Abstract

E-tilang merupakan salah satu inovasi dari Kepolisian RI dalam pembaharuan pelayanan publik di bidang ketertiban dan keamanan. Keberadaan e-tilang diharapkan dapat menjadi solusi untuk mendisiplinkan para pengendera kendaraan bermotor dari pelanggaran berlalu-lintas dan dapat mencegah kecurangan oknum penegak hukum dari pungutan liar. Meskipun sudah lama sejak diberlakukannya e-tilang, namun masih saja menimbulkan beragam komentar dari masyarakat. Berdasarkan penelitian mengenai e-tilang yang telah dilakukan sebelumnya mengatakan bahwa lebih banyak masyarakat yang memberikan komentar negatif mengenai e-tilang. Hal ini perlu menjadi perhatian pihak kepolisian untuk mengatur strategi dan cara sosialisasi pemberlakuan e-tilang agar tujuannya dapat tercapai dan dapat dimanfaatkan sebagai bahan evaluasi dalam membuat kebijakan. Suatu cara mengetahui opini masyarakat mengenai e-tilang adalah dengan melakukan analisis sentimen. sehingga pada penelitian ini dilakukan analsis sentimen terhadap e-tilang. Metode klasifikasi yang digunakan adalah Support Vector Machine (SVM) karena SVM merupakan salah satu metode yang dapat mengatasi problem non-linear secara efisien. Hasil dari penelitian ini didapatkan bahwa tweet masyarakat mayoritas bersentimen positif sebesar 62%, sedangkan tweet masyarakat yang bersentimen negatif sebesar 38%. Hasil analisis klasifikasi menghasilkan nilai akurasi sebesar 81,58%, sensitivitas sebesar 88,68%, spesifikasi sebesar 79,17%, dan nilai AUC sebesar 83,92%. sehingga model yang terbentuk terbukti mampu untuk mendeteksi tweet bersentimen positif dengan baik karena memiliki nilai akurasi dengan kategori good classification dan didukung nilai AUC yang masuk kategori baik, serta nilai sensitivitas yang lebih besar daripada nilai spesifikasi.
================================================================================================================================
ETLE is one of the innovations of the Indonesian National Police in the renewal of public services in the field of order and security. The existence of ETLE is expected to be a solution to discipline motorists from traffic violations and can prevent misappropriation by law enforcement
officers from illegal levies. Although it has been in effect for a long time, the implementation of e-tickets still raises various comments from the public. Based on research on e-tickets that has been done before, it is said that more people give negative comments about ETLE. This needs to be a concern for the police to set strategies and ways of socializing the implementation of ETLE so that the objectives can be achieved and can be used as evaluation material in making policies. One way to find out public
opinion about ETLE is to conduct sentiment analysis. so that in this study a sentiment analysis of e-tickets was carried out. The classification method used is Support Vector Machine (SVM) becauseSVM is one method that can solve non-linear problems efficiently. The results of this study found that the majority of public tweets had a positive sentiment of 62%, while public tweets with negative sentiment amounted to 38%. Classification analysis resulted in an accuracy value of 81.58%, a sensitivity of 88.68%, a specification of 79.17%, and an AUC value of 83.92%. so that the model
formed is proven to be able to detect positive tweets well because it has an accuracy value with a good classification category and is supported by an AUC value that is in the good category, as well as a sensitivity value that is greater than the specification value.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Analisis Sentimen, E-Tilang, Support Vector Machine (SVM), ETLE, Sentiment Analysis
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	nabila isnaini febriyanti
Date Deposited:	31 Jul 2023 20:17
Last Modified:	31 Jul 2023 20:17
URI:	http://repository.its.ac.id/id/eprint/100476

Actions (login required)

View Item