Hukum, Reza Hi. Hukum (2024) ANALISIS SENTIMEN VAKSIN KETIGA (BOOSTER) PADA TWITTER MENGGUNAKAN ALGORITMA LONG SHORT THERM MEMORY (LSTM). Sarjana thesis, Universitan Khairun.

	Text 1. COVER SKRIPSI.pdf - Published Version Download (209kB)
	Text 4. Abstrak .pdf - Published Version Download (186kB)
	Text 5. BAB 1 .pdf - Published Version Download (168kB)
	Text 10. Daftar Pustaka.pdf - Published Version Download (187kB)
	Text SKRIPSI_REZA HI. HUKUM_07351811024.pdf - Published Version Download (4MB)

Abstract

Penelitian ini dilakukan untuk mengklasifikasi sentimen masyarakat di twitter tentang vaksinasi 3 (Booster) berdasarkan kategori positif dan negatif dengan menerapkan algoritma LSTM. Model dari analisis sentimen masyarakat terhadap kebijakan vaksin ke 3 (Booster) oleh pemerintah ternyata tidak di respon dengan baik oleh masyarakat, terbukti bahwa dari banyaknya tweet negatif yang dihasilkan dibandingkan tweet positif tentang kebijakan vaksin ke 3 (Booster) dari pemerintah. Model yang dihasilkan dari penelitian ini juga dapat memprediksi dengan baik tentang tweet masyarakat sesuai dengan tipenya yaitu sentimen positif terhadap kebijakan vaksin ke 3 (Booster) dan sentimen negatif terhadap kebijakan vaksin ke 3 (Booster). Dalam penerapan algoritma long short therm memory untuk mengetahui berapa banyak klasifikasi sentimen positif dan negatif sentimen vaksin ke 3 (Booster) pada twitter.Hasil Analisis menggunakan dataset komentar sebanyak 500 sampel data yang terbagi menjadi 2 bagian yaitu 252 sentimen negatif dan 248 sentimen positif, dengan perbandingan 20% data testing : 80% data training, setelah mendapatkan hasil akurasi pada data training didapatkan hasil, nilai Recall yang dihasilkan 81%, nilai Presisi sebesar 86% dan nilai F1-Score sebesar 84%. Dengan demikian dapat disimpulkan bahwa metode Long short-term memory (LSTM) layak digunakan untuk analisis sentimen vaksin ke 3 (Booster) pada twitter. Kata Kunci: analisis sentimen, vaksin booster,long short therm memory, twitter.

Item Type:	Thesis (Sarjana)
Subjects:	T Technology > TS Informatics Engineering
Divisions:	Fakultas > Teknik Informatika Fakultas > Teknik Informatika Fakultas > Teknik Informatika
Depositing User:	Rini 1
Date Deposited:	06 Nov 2025 06:07
Last Modified:	06 Nov 2025 06:07
URI:	http://digilib.unkhair.ac.id/id/eprint/6455

Actions (login required)

View Item