Belindha Ayu Ardhani (2021) Analisis Sentimen Dalam Evaluasi Program Kartu Prakerja Dengan Pendekatan Text Mining Support Vector Machine Berdasarkan Kernel Radial Basis Function. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (COVER) 1 COVER.pdf Download (664kB)
	Text (ABSTRAK) 2 ABSTRAK.pdf Download (202kB)
	Text (DAFTAR ISI) 3 DAFTAR ISI.pdf Download (634kB)
	Text (BAB 1) 4 BAB I PENDAHULUAN.pdf Download (291kB)
	Text (BAB 2) 5 BAB II TINJAUAN PUSTAKA.pdf Restricted to Registered users only until 26 August 2024. Download (945kB) | Request a copy
	Text (BAB 3) 6 BAB III METODE PENELITIAN.pdf Restricted to Registered users only until 26 August 2024. Download (459kB) | Request a copy
	Text (BAB 4) 7 BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Registered users only until 26 August 2024. Download (1MB) | Request a copy
	Text (BAB 5) 8 BAB V PENUTUP.pdf Restricted to Registered users only until 26 August 2024. Download (202kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9 DAFTAR PUSTAKA.pdf Download (457kB)
	Text (LAMPIRAN) 10 Lampiran.pdf Restricted to Registered users only until 26 August 2024. Download (2MB) | Request a copy
	Text (EMBARGO) Embargo_Belindha Ayu Ardhani - belindha ayu.pdf Restricted to Registered users only Download (215kB) | Request a copy

Abstract

Kartu Prakerja sebagai program peningkatan kualitas angkatan kerja menuai kontroversi. Berbagai aspek, mulai dari jumlah anggaran, materi pelatihan, hingga tata laksananya turut mengundang beragam reaksi. Hal ini menegaskan perlunya evaluasi pelaksanaan program guna menganalisis aspek-aspek yang perlu diperbaiki. Guna mencapai tujuan tersebut, analisis sentimen menggunakan text mining Support Vector Machine (SVM) dilakukan dengan kernel Radial Basis Function (RBF). Dalam analisisnya, penelitian ini menggunakan 500 tweet periode Juli s.d. Oktober 2020 yang kemudian dibagi menjadi 80% data training dan 20% data testing dengan 5-fold cross validation. Hasil analisis deskriptif menunjukkan bahwa aspek teknis yang terkait dengan proses pendaftaran dan pencairan insentif perlu mendapat perhatian lebih. Sementara hasil klasifikasi komentar masyarakat ke dalam sentimen positif atau negatif pada data testing menunjukkan rata-rata akurasi, sensitivitas, spesifisitas, prediksi sentimen negatif dan prediksi sentimen positif berturut-turut sebesar 85.20%, 85.03%, 86.04%, 91.68%, dan 75.75%. Merujuk pada nilai tersebut, SVM kernel RBF memberikan performa lebih baik dibanding SVM linier pada kasus ini. Dengan demikian, penelitian ini dapat menjadi referensi dalam upaya optimalisasi peran dan fungsi Kartu Prakerja sehingga manfaat yang diberikan benar-benar dapat dirasakan masyarakat menuju pemulihan sektor ekonomi nasional.

Actions (login required)

View Item