Skripsi/Tugas Akhir

Penerapan Metode Text Mining TF-IDF untuk Klasifikasi Sentimen Penggunaan Pay Later pada Belanja Online di Media Sosial Twitter

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Selain menghadirkan solusi kemudahan bagi masyarakat yang membutuhkan paylater juga menimbulkan permasalahan mulai dari penumpukan bunga kredit, selalu dihubungi melalui pesan dan telepon whatsapp secara terus menerus serta menyebarkan informasi kredit yang tidak dibayar. Adanya manfaat dan masalah yang diakibatkan oleh fenomena ini timbul sentimen pro dan kontra mengenai hal tersebut. Adanya dua opini yang berkembang di media sosial khususnya twitter membuat perlunya penelitian untuk menganalisa kecenderungan warga khususnya pengguna twitter dalam melihat fenomena paylater ini. Untuk membaca fenomena paylater dalam belanja online dari pengguna twitter diperlukan sebuah sistem yang dapat mengambil data secara langsung dengan menggunakan Application Programming Interface (API) Twitter, yang selanjutnya data tersebut diklasifikasikan dengan metode Term Frequency — Inverse Document Frequency (TF-IDF). Penelitian ini berhasil membangun aplikasi yang dapat melakukan otomasi klasifikasi secara langsung terhadap twitter yang masuk mengenai penggunaan paylater pada belanja online dengan menganalisa kata-kata yang telah diklasifikasi sebelumnya.
Kata Kunci: Paylater, Twitter, Klasifikasi, TF-IDF

ABSTRACT
In addition to providing easy solutions for people who need a paylater, it also causes problems ranging from accumulating credit interest, always being contacted via WhatsApp messages and telephones continuously and spreading unpaid credit information. This phenomenon causes benefits and issues; there are pros and cons. The existence of two opinions that develop on social media, especially Twitter, makes the need for research to analyze the tendency of citizens, especially Twitter users, to see this paylater phenomenon. To read the paylater phenomenon in online shopping from Twitter users, we need a system that can retrieve data directly using the Twitter Application Programming Interface (API), which is then classified using the Term Frequency — Inverse Document Frequency (TF-IDF) method. This study succeeded in building an application that can automate classification directly on incoming twitter regarding the use of pay later in online shopping by analyzing words that have been previously classified.
Keywords: Paylater, Twitter, Classification, TF-IDF

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 22-46 IRM p - 0203SI

Penerbit

Makassar : Universitas DIPA., 2022

Deskripsi Fisik

xiii + 52 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 22-46

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Cetakan September 2022

Subjek

Skripsi/Tugas Akhir
Text Mining
Term Frequency – Inverse Document Frequency

Lampiran File