Implementasi Metode Support Vector Machine dalam Analisis Sentimen Opini Masyarakat Terhadap Pilkada 2020 pada Media Sosial Twitter

J.B. Budi Darmawan; Martin Paramarta

J.B. Budi Darmawan Universitas Sanata Dharma
Martin Paramarta

Kata Kunci: analisis sentimen, klasifikasi, pilkada, support vector machine, tweet

Abstrak

Pemilihan kepala daerah (Pilkada) tahun 2020 mengalami penundaan selama beberapa bulan karena efek pandemi COVID-19, hingga akhirnya ditetapkan untuk tetap digelar pada tanggal 9 Desember 2020. Banyak masyarakat beropini tentang pro dan kontra pelaksanaan Pilkada di tengah pandemi COVID-19 di media sosial, khususnya Twitter. Penelitian ini bertujuan untuk mengetahui jumlah sentimen positif dan negatif serta performansi dari metode Support Vector Machine dalam mengklasifikasikan sentimen tweet tersebut. Data penelitian bersumber dari tweet dengan kata kunci “Pilkada 2020” yang berjumlah 6037 tweet. Data akan diberi label polaritas sentimen positif dan negatif secara otomatis. Hasil pengujian menunjukkan sebanyak 4864 data bersentimen positif dan 1173 data lainnya bersentimen negatif. Selain itu, hasil pengujian dalam penelitian ini menunjukkan bahwa metode Support Vector Machine memiliki performansi yang cukup baik dalam mengklasifikasikan sentimen tweet dengan hasil rata-rata akurasi sebesar 87,94%.

Referensi

[1] J. R. A. Sandi and . S., “Fenomena Pengawasan Pemilihan Kepala Daerah di Kalimantan Tengah Masa Pandemi Covid-19,” Jurnal Politik Pemerintahan Dharma Praja, vol. 13, no. 1, pp. 1–13, Jun. 2020, doi: 10.33701/jppdp.v13i1.1072.
[2] A. Muzaki and A. Witanti, “SENTIMEN ANALISIS MASYARAKAT DI TWITTER TERHADAP PILKADA 2020 DITENGAH PANDEMIC COVID-19 DENGAN METODE NAÏVE BAYES CLASSIFIER,” Jurnal Teknik Informatika (Jutif), vol. 2, no. 2, pp. 101–107, Mar. 2021, doi: 10.20884/1.jutif.2021.2.2.51.
[3] Luthfanida, “ANALISIS SENTIMEN DATA TWITTER MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) TENTANG PRESIDEN JOKOWI 3 PERIODE,” Journal of Information Technology Research, vol. 3, Jun. 2022.
[4] V. A. Flores, P. A. Permatasari, and L. Jasa, “Penerapan Web Scraping Sebagai Media Pencarian dan Menyimpan Artikel Ilmiah Secara Otomatis Berdasarkan Keyword,” Majalah Ilmiah Teknologi Elektro, vol. 19, no. 2, p. 157, Dec. 2020, doi: 10.24843/mite.2020.v19i02.p06.
[5] C. Hutto and E. Gilbert, “VADER: A Parsimonious Rule-Based Model for Sentiment Analysis of Social Media Text,” Proceedings of the International AAAI Conference on Web and Social Media, vol. 8, no. 1, pp. 216–225, May 2014, doi: 10.1609/icwsm.v8i1.14550.
[6] A. Shiri, Introduction to Modern Information Retrieval (2nd edition). Emerald Group Publishing Limited, 2004. doi: 10.1108/00242530410565256.
[7] A. Hutapea and M. Tanzil Furqon, “Penerapan Algoritme Modified K-Nearest Neighbour Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 10, pp. 3957–3961, 2018, [Online]. Available: http://j-ptiik.ub.ac.id
[8] S. Jansen, Hands-on machine learning for algorithmic trading : design and implement investment strategies based on smart algorithms that learn from data using Python. Packt Publishing, 2018.
[9] J. Asian, H. E. Williams, and S. M. M. Tahaghoghi, “Stemming Indonesian,” in Conferences in Research and Practice in Information Technology Series, 2005, pp. 307–314. doi: 10.1145/1316457.1316459.
[10] J. Han, M. Kamber, and J. Pei, Data Mining. Concepts and Techniques, 3rd Edition (The Morgan Kaufmann Series in Data Management Systems). 2011.
[11] S. Ghoneim, “Accuracy, Recall, Precision, F-Score & Specificity, which to optimize on?,” Towards Data Science, Apr. 02, 2018. https://towardsdatascience.com/accuracy-recall-precision-f-score-specificity-which-to-optimize-on-867d3f11124