PPT Sidang Tugas Akhir Teguh_221012050037.pptx

Sidang Magister Komputer

1. ANALISIS SENTIMEN PENGGUNA MOBIL LISTRIK PADA MEDIA SOSIAL TWITTER MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER, K-NEAREST NEIGHBOR (KNN) DAN DECISION TREE Universitas Pamulang Magister Teknik Informatika 1 Oleh: Teguh Prasetyo 221012050037

2. PENDAHULUAN Mobil listrik menjadi solusi alternatif ramah lingkungan. Karena penggunaannya yang sudah banyak merata di indonesia menjadi penyebab untuk mengurangi polusi yang ada guna penerapan zero emission di Indonesia LATAR BELAKANG 2 Universitas Pamulang Peningkatan penjualan mobil listrik di Indonesia sebesar 383,46% (2021-2022).

3. PENDAHULUAN Masalah utama: harga mahal, infrastruktur minim, dan keterbatasan teknologi. Masalah-masalah tersebut menyebabkan minimnya kepercayaan masyarakat guna membeli mobil listrik walaupun sudah disubsidi oleh pemerintah. Perlunya sebuah Analisis sentimen masyarakat penting untuk produsen dan pemerintah dalam merancang strategi. Agar penjualan dan minat masyarakat terhadap mobil listrik bisa tinggi. LATAR BELAKANG 3 Universitas Pamulang

4. PERMASALAHAN PENELITIAN 4 Bagaimana cara melakukan analisis sentimen mobil listrik dari Twitter? Bagaimana mengatasi mahalnya harga mobil listrik di Indonesia? Seberapa akurat algoritma KNN, Decision Tree, dan Naive Bayes dalam klasifikasi sentimen? Universitas Pamulang POINT 1 POINT 2 POINT 3

5. TUJUAN PENELITIAN 5 Membandingkan akurasi KNN, Decision Tree, dan Naive Bayes. Menganalisis sentimen (positif, netral, negatif) dari komentar di Twitter. POINT 1 POINT 2 Universitas Pamulang

6. METODE PENELITIAN 6 Universitas Pamulang - Word2vec

7. HASIL DAN PEMBAHASAN 7 PENGAMBILAN DATA Universitas Pamulang Data yang dikumpulkan sebanyak 2000 tweet selama beberapa kali tahapan pengumpulan dan disimpan kedalam file Csv (Command Separated Values) dengan format .csv

8. HASIL DAN PEMBAHASAN 8 PREPROCESSING (CLEANING) Universitas Pamulang Data yang sudah dikumpulkan, kemudian dilakuan cleaning untuk mengurangi atau membersihkan data tweet dari kata atau kalimat yang tidak diperlukan seperti tanda baca, unicode, dan lain-lain

9. HASIL DAN PEMBAHASAN 9 PREPROCESSING (CASE FOLDING) Universitas Pamulang Data yang sudah selesai melalui tahapan cleaning, selanjutnya akan melalui tahapan case folding dimana semua huruf akan diubah menjadi lowercase atau huruf kecil

10. HASIL DAN PEMBAHASAN 10 PREPROCESSING (TOKENIZING) Universitas Pamulang Data yang sudah selesai melalui tahapan case folding, selanjutnya akan melalui tahapan tokenizing dimana berfungsi untuk memisahkan antara kata yang terdapat pada tweets

11. HASIL DAN PEMBAHASAN 11 PREPROCESSING (TOKENIZING) Universitas Pamulang Data yang sudah selesai melalui tahapan tokenizing, selanjutnya akan melalui tahapan tokenizing dimana berfungsi untuk memisahkan antara kata yang terdapat pada tweets

12. HASIL DAN PEMBAHASAN 12 PREPROCESSING (STOPWORDS) Universitas Pamulang Data yang sudah selesai melalui tahapan tokenizing, selanjutnya akan melalui tahapan stopwords dimana Jika tweets tersebut mengandung kata sambung, kata depan, kata ganti atau kata yang tidak ada hubungannya dengan analisis sentimen, maka kata tersebut akan dihapus

13. HASIL DAN PEMBAHASAN 13 PREPROCESSING (STEMMING) Universitas Pamulang Data yang sudah selesai melalui tahapan stopwords, selanjutnya akan melalui tahapan stemming dimana akan menghilangkan awalan atau akhiran,

14. HASIL DAN PEMBAHASAN 14 PELABELAN DATA Universitas Pamulang Setelah melalui proses preprocessing data yang sudah bersih berjumlah 1869 data, kemudian dilakukan pelabelan data guna mendapatkan distribusi sentimen berupa netral, positif dan negatif. Dapat dilihat di gambar sentimen netral mendominasi dengan jumlah distribusi mencapai 999, kemudian positif 670, dan negatif 200.

15. HASIL DAN PEMBAHASAN 15 WORD EMBEDDING Universitas Pamulang Setelah melalui proses pelabelan data, kemudian data di beri word embbeding atau pembobotan kata, dimana dalam penelitian ini peneliti memberikan dua word embedding yaitu TF-IDF(Term Frequence Inverse Document Frequence) dan Word2Vec. Dibawah ini adalah contoh pembobotan kata yang sudah dilakukan dengan TF-IDF dan Word2Vec. Contoh hasil TF-IDF Contoh hasil Word2Vec

16. HASIL DAN PEMBAHASAN 16 DISTRIBUSI SENTIMEN DAN AKURASI MODEL Universitas Pamulang Hasil Akurasi Setiap Model Hasil Distribusi Sentimen Dapat dilihat dari gambar Hasil akurasi model, Model Decision Tree + TF/IDF menghasilkan akurasi tertinggi dengan 66,04% , kemudian untuk akurasi tertinggi kedua dari KNN + TF/IDF 58,02% , dan yang terendah adalah Decicion Tree + Word2Vec 46,52% . Selanjutnya untuk distribusi sentimen, distribusi sentimen netral menunjukkan paling besar dengan 53,5% , kemudian positif 35,8% dan selanjutnya negatif 10,7% .

17. KESIMPULAN DAN SARAN 17 KESIMPULAN Universitas Pamulang Decision Tree dengan TF-IDF menghasilkan akurasi tertinggi (66%). Tidak ada metode yang sepenuhnya konsisten dalam klasifikasi sentimen . Penelitian ini memberikan wawasan bagi produsen dan pemerintah tentang persepsi masyarakat terhadap mobil listrik . SARAN Gunakan dataset lebih besar untuk hasil lebih akurat. Eksplorasi kombinasi algoritma seperti Ensemble Learning. Evaluasi metode lain seperti SVM atau Random Forest. Perlu studi lanjutan untuk mempertimbangkan aspek non-teknis seperti persepsi masyarakat terhadap infrastruktur mobil listrik.

18. 11 TERIMA KASIH Oleh: Teguh Prasetyo 221012050037 Universitas Pamulang