Sentiment Analysis Pada Tweet Berbahasa Indonesia menggunakan fastText dengan Metode Klasifikasi Naïve Bayes, Decision Tree dan Random Forest

Abdallah, Alfindio Muhammad (2019) Sentiment Analysis Pada Tweet Berbahasa Indonesia menggunakan fastText dengan Metode Klasifikasi Naïve Bayes, Decision Tree dan Random Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000164-Undergraduate_Theses.pdf Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Twitter merupakan media sosial berbasis microblogging yang memungkinkan pengguna untuk mem-posting tulisan pendek yang dikenal dengan istilah tweet. Pengguna dapat mencurahkan apapun ke dalam Twitter. Dalam tugas akhir ini, dilakukan sentiment analysis dari tweet dengan klasifikasi tweet positif dan negatif menggunakan dataset tweet yang berasal dari Twitter. Data tersebut diambil dari dua sumber, yaitu tweet yang menyebut @jokowi dan dari GitHub meisaputri21. Data tersebut akan diklasifikasi menggunakan metode klasifikasi Naïve Bayes, Decision Tree, dan Random Forest. Untuk mendapatkan fitur, dilakukan ekstraksi fitur menggunakan fastText. fastText merupakan metode word embedding yang merupakan pengembangan metode Word2vec. Word embedding yang didapat berupa vektor tiap kata pada tweet yang kemudian dihitung vektor kalimatnya. Keunggulan fastText dibanding Word2vec adalah dapat melakukan word embedding dari kata yang tidak ada di dalam korpus. Sehingga terdapat perbedaan hasil word embedding antara fastText dengan Word2vec. Karena perbedaan hasil, dapat dilakukan perbandingan hasil word embedding. Perbandingan dilakukan dengan metode klasifikasi. Metode klasifikasi yang digunakan yaitu Naïve Bayes, Decision Tree dan Random Forest. Hasil yang memberikan nilai akurasi terbaik untuk dataset 1 yaitu Random Forest dengan metode fastText dengan akurasi 88,38% sedangkan hasil Random Forest dengan metode Word2vec memiliki akurasi 78,52%. Untuk dataset 2 yaitu Random Forest dengan metode fastText dengan akurasi 80,13%, sedangkan hasil Random Forest dengan metode Word2vec memiliki akurasi 74,83%.
===================================================================================================================================
Twitter is a microblogging based social media that allows users to post short posts known as tweets. Users can devote everything to Twitter. In this final project, a sentiment analysis of tweets with positive and negative classifications was made using a tweet dataset from Twitter. The data is taken from two sources, that is an accounts that mention @jokowi in the tweet and from a GitHub meisaputri21. The data will be classified using the Naïve Bayes classification method, Decision Tree and Random Forest. To get a feature for evaluating data in sentiment analysis, Feature extraction is using fastText. fastText is a word embedding method which is the development of the Word2vec method. The result of word embedding is a words vector from a tweet and after that count it to make a sentences vector. The advantages of fastText compared to Word2vec is fastText do a mapping vectors from words that are not in the corpus. So there is a different result in word embedding from fastText and Word2vec. Because of different results, the word embedding can be compared. Word embedding is compared using Classifier method. The Classifier method that used are Naïve Bayes, Decision Tree and Random Forest. The results that obtained the best accuracy for dataset 1 is the value of Random Forest with fastText method with an accuracy of 88.38% while Random Forest results with the Word2vec method obtained accuracy of 78.52%. The results that obtained the best accuracy for dataset 1 is the value of Random Forest with fastText method with an accuracy of 80.13% while Random Forest results with the Word2vec method obtained accuracy of 74.83%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Decision Tree, fastText, Klasifikasi, Naïve Bayes, Random Forest, Twitter, Word2vec
Subjects:	T Technology > T Technology (General) > T58.6 Management information systems
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Alfindio Muhammad Abdallah
Date Deposited:	23 Jul 2026 08:49
Last Modified:	23 Jul 2026 08:49
URI:	http://repository.its.ac.id/id/eprint/72444

Actions (login required)

View Item