📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 32 dokumenANALISIS SENTIMEN DENGAN NAIVE BAYES CLASSIFIER MENGGUNAKAN TF-IDF DAN N-GRAM
Pembelajaran mesin dapat digunakan untuk meyelesaikan masalah klasifikasi teks dalam Tugas Akhir ini. Analisis sentimen adalah proses memahami pendapat terhadap suatu hal. Tugas Akhir ini berfokus pada analisis sentimen ulasan produk di platform e-commerce dengan menggunakan algoritma Naive Bayes Classifier yang dipadukan dengan teknik TF-IDF (Term Frequency-Inverse Document Frequency) dan N-Gram. Tujuan dari Tugas Akhir ini adalah untuk membuat model Naive Bayes Classifier kemudian mengklasifikasikan sentimen positif atau negatif dalam ulasan produk yang berguna untuk memberikan wawasan yang lebih mendalam tentang persepsi pelanggan terhadap suatu produk. Metode yang digunakan meliputi pengumpulan data ulasan produk dari situs e-commerce, pra-pemrosesan teks untuk menghilangkan noise, dan ekstraksi fitur dengan TF-IDF dan N-Gram untuk memodelkan teks secara numerik. Selanjutnya, algoritma Naive Bayes Classifier diterapkan untuk klasifikasi sentimen. Hasil Tugas Akhir menunjukkan bahwa penggunaan TF-IDF memberikan performa yang terbaik dalam klasifikasi sentimen dibandingkan metode kombinasi lainnya dengan akurasi sebesar 90.38%. Model yang dihasilkan menunjukkan akurasi yang tinggi dalam memprediksi sentimen ulasan produk.
PEMANFAATAN ANALISIS SENTIMEN YOUTUBE UNTUK PREDIKSI HARGA SAHAM: STUDI TERHADAP INVESTOR RITEL INDONESIA
Lonjakan partisipasi investor ritel dalam pasar saham Indonesia seiring dengan meningkatnya jumlah platform media sosial sebagai sumber informasi terkait saham. Khususnya di YouTube, semakin banyak pencipta konten yang menyebarkan wawasan tentang saham, termasuk aksi korporasi yang relevan. Penelitian ini bertujuan untuk memanfaatkan data sentimen yang diekstraksi dari video YouTube tertentu untuk memprediksi harga penutupan saham khususnya selama aksi korporasi, dengan menggunakan model Long Short-Term Memory (LSTM) dan Bidirectional LSTM (Bi-LSTM). Studi ini tidak hanya fokus pada penggunaan sentimen dari video YouTube sebagai variabel prediktif, tetapi juga meliputi analisis tambahan yang melibatkan berbagai algoritma klasifikasi untuk meningkatkan akurasi prediksi. Hasil penelitian menunjukkan bahwa sementara sentimen dari YouTube merupakan variabel yang dapat digunakan untuk prediksi, model Bi-LSTM lebih unggul daripada LSTM dalam memprediksi harga saham seputar tanggal aksi korporasi. Selain itu, integrasi algoritma klasifikasi menunjukkan potensi untuk meningkatkan prediksi, menunjukkan kemungkinan peningkatan skor akurasi ketika diintegrasikan ke dalam model prediksi. Penelitian ini memberikan wawasan tentang efektivitas analisis sentimen dari konten YouTube dalam memprediksi harga saham selama aksi korporasi, menyoroti potensi nilai penggunaan model Bi-LSTM dan dampak positif integrasi algoritma klasifikasi untuk meningkatkan akurasi prediksi. Temuan ini memiliki signifikansi bagi investor ritel Indonesia yang mencari alat pengambilan keputusan yang lebih baik dalam lanskap pasar saham yang dinamis.