Deborah Kurniawati, S.Kom., M.Cs. Primary Author PURWONINGRUM, KURNIA UTARI - 225610050 Primary Author mixed material bibliography Yogyakarta UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI) 2026 monographic id Indonesia

Text Skripsi

025 SI 2026 Analisis sentimen terhadap berita nasional Indonesia bertujuan untuk mengetahui kecenderungan sentimen yang terkandung dalam isi berita. Meningkatnya jumlah berita pada media daring mendorong perlunya pendekatan berbasis machine learning untuk mengklasifikasikan sentimen berita secara efektif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen berita nasional Indonesia ke dalam dua kelas, yaitu sentimen positif dan sentimen negatif, menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan dalam penelitian ini berjumlah 4.531 berita nasional Indonesia yang diperoleh dari Kaggle Repository dengan rentang publikasi tahun 2023. Atribut yang digunakan dalam analisis sentimen adalah content. Data teks diproses melalui tahapan pre-processing yang meliputi cleaning, case folding, tokenizing, stopword removal, dan stemming. Selanjutnya, pelabelan sentimen dilakukan menggunakan metode lexicon-based dengan kamus InSet, kemudian data direpresentasikan dalam bentuk fitur numerik menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Proses pemodelan dan evaluasi dilakukan menggunakan bahasa pemrograman Python pada lingkungan Google Colaboratory. Hasil Model Support Vector Machine (SVM) pada penelitian ini mampu mengklasifikasikan sentimen berita nasional Indonesia mampu mengklasifikasikan sentimen berita nasional Indonesia dengan tingkat akurasi sebesar 86,13%. Berdasarkan evaluasi per kelas menggunakan confusion matrix, sentimen positif memperoleh nilai precision 0,87, recall 0,90, dan F1-score 0,88, sedangkan sentimen negatif memperoleh precision 0,85, recall 0,81, dan F1-score 0,83. Selain itu, diperoleh bahwa urutan tahapan pengolahan data dan waktu pelabelan sentimen mempengaruhi performa model, di mana pelabelan sentimen yang dilakukan setelah tahap pre-processing memberikan hasil klasifikasi yang lebih optimal. METODE SUPPORT VECTOR MACHINE (SVM) Analisis Sentimen NONE Perpustakaan Universitas Teknologi Digital Indonesia Katalog Online Perpustakaan Universitas Teknologi Digital Indonesia 025 PUR A R.1 PUR0025SI2026 RAK REFERENSI SKRIPSI SI 025 PUR A R.1 18493 2026-04-20 10:34:50 2026-04-20 10:35:39 machine generated