Update Artikelilmiah: 48901

TRIA YULIANI

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Beberapa tahun terakhir, generasi Z menjadi topik perbincangan yang cukup hangat di media sosial, khususnya media sosial X. Terdapat beragam tweet mengenai generasi Z di dunia kerja, mulai dari pendapat yang bersentimen positif hingga bersentimen negatif. Penelitian ini bertujuan untuk mengidentifikasi polaritas sentimen positif dan negatif serta mengevaluasi performa algoritma Support Vector Machine (SVM) dalam melakukan analisis sentimen dengan variasi pembagian data. Klasifikasi dilakukan dengan tahapan text preprocessing, ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF), resampling dataset dengan SMOTETomek, dan dilanjutkan klasifikasi menggunakan algoritma SVM. Penelitian dilakukan dengan tiga rasio pembagian data training dan data testing, yaitu 70:30, 80:20, dan 90:10. Fungsi kernel yang digunakan, yaitu linear, polynomial, Radian Basis Function (RBF), dan sigmoid dengan nilai parameter cost (C) yang digunakan pada setiap kernel adalah 0,1, 1, dan 10. Hasil penelitian menunjukkan bahwa sentimen negatif lebih dominan dibandingkan sentimen positif. Selain itu, performa klasifikasi tertinggi dengan accuracy sebesar 0,931 diperoleh pada rasio 90:10 menggunakan kernel linear dengan C=1.

Abtrak (Bhs. Inggris)

In recent years, Generation Z has become a widely discussed topic on social media, particularly on platform X. Various tweets about Generation Z in the workplace have emerged, ranging from positive to negative sentiments. This study aims to identify the polarity of positive and negative sentiments and evaluate the performance of the Support Vector Machine (SVM) algorithm in sentiment Analysis using different data splitting ratios. The classification process involves several stages, which include text preprocessing, feature extraction using Term Frequency-Inverse Document Frequency (TF-IDF), dataset resampling with SMOTETomek, and classification using the SVM algorithm. The study applies three data splitting ratios for training data and testing data, namely 70:30, 80:20, and 90:10. The kernel functions used include linear, polynomial, Radial Basis Function (RBF), and sigmoid, with cost parameter (C) values of 0.1, 1, and 10. The results indicate that negative sentiment is more dominant than positive sentiment. Moreover, the highest classification performance with an accuracy of 0.931 was obtained at a ratio of 90:10 using a linear kernel with C = 1.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman