WULANDARI, SISKA and Hayaty, Nurul and Nurfalinda, Nurfalinda (2026) ANALISIS SENTIMEN OPINI PUBLIK TERHADAP KESEHATAN MENTAL DI MEDIA SOSIAL MENGGUNAKAN PERBANDINGAN METODE LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE (SVM). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) SISKA_WULANDARI_2101020015_Informatika - Cover.pdf - Published Version Download (853kB)
	Text (Abstrak) SISKA_WULANDARI_2101020015_Informatika - Abstrak.pdf - Published Version Download (226kB)
	Text (BAB I) SISKA_WULANDARI_2101020015_Informatika - BAB I.pdf - Published Version Download (624kB)
	Text (Daftar Pustaka) SISKA_WULANDARI_2101020015_Informatika - Daftar Pustaka.pdf - Published Version Download (346kB)
	Text (Full Text) SISKA_WULANDARI_2101020015_Informatika - Full Text.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Kesehatan mental merupakan salah satu aspek penting dalam kehidupan manusia yang memengaruhi pola pikir, emosi, dan interaksi sosial. Media sosial seperti YouTube menjadi sarana masyarakat dalam menyampaikan opini terkait isu kesehatan mental melalui kolom komentar. Penelitian ini bertujuan untuk mengetahui sentimen opini publik terhadap isu kesehatan mental pada kanal Youtube Raditya Dika, Helmy Yahya Bicara, Rory Asyari, dan Tirta PengPengPeng, serta membandingkan kinerja metode Logistic Regression dan Support Vector Machine dalam klasifikasi sentimen. Penelitian dilakukan menggunakan teknik web scraping untuk mengumpulkan data komentar YouTube, kemudian dilakukan preprocessing, pembobotan TF-IDF, dan klasifikasi sentimen ke dalam kategori positif, netral, dan negatif. Evaluasi model menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1- Score. Hasil penelitian menunjukkan bahwa metode Support Vector Machine (SVM) memiliki performa lebih baik dibandingkan Logistic Regression. SVM dengan accuracy sebesar 89,74%, precision 89,78%, recall 89,74%, dan F1-Score 89,76%, sedangkan Logistic Regression memperoleh accuracy sebesar 88,64%, precision 88,75%, recall 88,64%, dan F1-Score 88,69%. Hasil penelitian menunjukkan bahwa metode SVM lebih optimal dalam mengklasifikasikan sentimen komentar kesehatan mental pada YouTube.

Actions (login required)

View Item