NAYOSA, Dikky and Gernowo, Rahmat and Isnanto, Rizal (2023) SISTEM IMPLEMENTASI ANALISIS KLASTERISASI DAN SENTIMEN DATA UNTUK MENGETAHUI TOPIK YANG PALING BANYAK DIBAHAS MENGGUNAKAN METODE K-MEANS (STUDI KASUS DATA TWITTER DAN YOUTUBE TENTANG PPKM). Masters thesis, UNIVERSITAS DIPONEGORO.

	Text COVER.pdf Download (400kB)
	Text BAB I.pdf Download (117kB)
	Text BAB II.pdf Download (485kB)
	Text BAB III.pdf Restricted to Repository staff only Download (383kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Download (110kB)
	Text DAFTAR PUSTAKA.pdf Download (303kB)

Abstract

Pada tahun 2021, pemerintah menerapkan kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) yang menarik perhatian publik saat ini. Pemberlakuan PPKM ini mendapat tanggapan yang beragam dari masyarakat. Twitter dan Youtube adalah platform media sosial yang digunakan oleh pengguna untuk menyampaikan pendapat secara langsung. Konten yang terdapat di dalam Twitter dan Youtube juga sangat beragam. Dalam konteks ini, dibutuhkan suatu metode pendeteksian topik secara otomatis, seperti metode Mini Batch K-means Clustering, yang dapat mempermudah pengguna dalam mengakses informasi. Penelitian ini menggunakan pendekatan Mini Batch, di mana hanya sekelompok kecil data yang digunakan dalam proses pengelompokan (clustering). Hasil penelitian menunjukkan bahwa untuk data tweet dengan kata kunci PPKM, diperoleh 12 kelompok cluster berdasarkan pengujian menggunakan Sum of Squared Error (SSE). Setelah proses pengelompokan data, hasil clustering akan divisualisasikan menggunakan Word Cloud, dan sistem akan menampilkan persentase kata-kata yang sesuai dengan Word Cloud tersebut.
Kata kunci : Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM), clustering, K-Means, Mini Batch K-Means Clustering

The Community Activities Restrictions Enforcement (CARE) government rule, that is currently a matter of public concern, will be enforced in 2021. Community Activities Restrictions Enforcement (CARE) highlights the community's pros and cons. Twitter and YouTube are social media that facilitate direct user expression. The material offered on social media platforms Twitter and YouTube is likewise quite diversified. Therefore, an automatic approach for topic detection is required, such as Mini Batch K-means Clustering, which facilitates user access to information. This study employs the Mini Batch method, which utilizes just a limited set of data for the clustering procedure. Based on testing with the Sum of Squared Error, this study's clustering results for tweet data including the phrase Community Activities Restrictions Enforcement (CARE) produced 12 cluster groups. The clustering results will be represented using Word Cloud, and the system will display the percentage of words based on Word Cloud.
Keywords : Community Activities Restrictions Enforcement (CARE), clustering, K-Means, Mini Batch K-Means Clustering

Actions (login required)

View Item