PENERAPAN SENTIMEN ANALISIS TWITTER TERHADAP COVID-19 MENGGUNAKAN SUPPORT VECTOR MACHINE
Main Article Content
Abstract
Pemanfaatan media sosial seperti Twitter sangat masif digunakan oleh masyarakat di dunia internet, sehingga informasi yang sedang viral dapat diperoleh dengan cepat. Kondisi pandemi Covid-19 yang telah melanda dunia tentunya dapat menyebabkan perubahan-perubahan pada tatanan kehidupan masyarakat saat ini khususnya di daerah DKI Jakarta. Penelitian ini bertujuan untuk mengetahui respon masyarakat terhadap Covid-19 melalui analisis sentimen menggunakan perbandingan model decision tree, regresi logistik, random forest, dan support vector machine (SVM). Melalui pemanfaatan teknik Text Mining, metode klasifikasi akan menghasilkan sentimen bernilai positif, netral atau negatif. Hasil pengujian menunjukkan bahwa model SVM menjadi model utama dengan rata-rata akurasi sebesar 0,6094 dan standar deviasi terendah sebesar 0,0378. Analisis sentimen diuji dengan 5230 data tweet. Hasil analisis menunjukkan bahwa prosentase sentimen positif (31,64%) lebih besar daripada sentimen negatif (20,48%), walaupun sentimen netral mendominasi dengan prosentase sebesar 47,88%.
Article Details
Section
Penulis yang menerbitkan dengan jurnal ini setuju pada persyaratan berikut ini:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama, dengan pekerjaan 6 bulan setelah penerbitan secara simultan dengan lisensi di bawah: Creative Commons Attribution License yang memudahkan yang lain untuk berbagi karya dengan pengakuan penerbitan awal dan kepenulisan karya di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non-ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
How to Cite
References
A. Rossi, T. Lestari, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini Pilkada Dki 2017 Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naïve Bayes dan Pembobotan Emoji,” vol. 1, no. 12, pp. 1718–1724, 2017, [Online]. Available: http://j-ptiik.ub.ac.id
P. Antinasari, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku,” vol. 1, no. 12, pp. 1733–1741, 2017, [Online]. Available: http://j-ptiik.ub.ac.id
A. Rahman Isnain, A. Indra Sakti, D. Alita, and N. Satya Marga, “Sentimen analisis publik terhadap kebijakan lockdown Pemerintah Jakarta menggunakan algoritma SVM,” JDMSI, vol. 2, no. 1, pp. 31–37, 2021, [Online]. Available: https://t.co/NfhnfMjtXw
G. Khanvilkar and D. Vora, “Sentiment analysis for product recommendation using random forest,” International Journal of Engineering and Technology(UAE), vol. 7, no. 3, pp. 87–89, 2018, doi: 10.14419/ijet.v7i3.3.14492.
D. Alita and A. Rahman, “Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier,” Jurnal Komputasi, vol. 8, no. 2, 2020.
R. Ahuja, A. Chug, S. Kohli, S. Gupta, and P. Ahuja, “The impact of features extraction on the sentiment analysis,” Procedia Comput Sci, vol. 152, pp. 341–348, 2019, doi: 10.1016/j.procs.2019.05.008.
W. E. Nurjanah, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” vol. 1, no. 12, pp. 1750–1757, 2017, [Online]. Available: http://j-ptiik.ub.ac.id
U. Rofiqoh, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features,” vol. 1, no. 12, pp. 1725–1732, 2017, [Online]. Available: http://j-ptiik.ub.ac.id
W. Athira Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” vol. 2, no. 11, pp. 4704–4713, 2018, [Online]. Available: http://j-ptiik.ub.ac.id
M. Guia, R. R. Silva, and J. Bernardino, “Comparison of Naive Bayes, support vector machine, decision trees and random forest on sentiment analysis,” IC3K 2019 - Proceedings of the 11th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management, vol. 1, pp. 525–531, 2019, doi: 10.5220/0008364105250531.
T. Pranckevičius and V. Marcinkevičius, “Comparison of Naive Bayes, Random Forest, Decision Tree, Support Vector Machines, and Logistic Regression Classifiers for Text Reviews Classification,” Baltic Journal of Modern Computing, vol. 5, no. 2, 2017, doi: 10.22364/bjmc.2017.5.2.05.
V. A. Fitri, R. Andreswari, and M. A. Hasibuan, “Sentiment analysis of social media Twitter with case of Anti-LGBT campaign in Indonesia using Naïve Bayes, decision tree, and random forest algorithm,” Procedia Comput Sci, vol. 161, pp. 765–772, 2019, doi: 10.1016/j.procs.2019.11.181.
M. Ahmad, S. Aftab, M. S. Bashir, and N. Hameed, “Sentiment Analysis using SVM: A Systematic Literature Review,” IJACSA) International Journal of Advanced Computer Science and Applications, vol. 9, no. 2, 2018, [Online]. Available: www.ijacsa.thesai.org
M. A. Fauzi, “Random forest approach fo sentiment analysis in Indonesian language,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 12, no. 1, pp. 46–50, Oct. 2018, doi: 10.11591/ijeecs.v12.i1.pp46-50.
Y. Al Amrani, M. Lazaar, and K. E. El Kadirp, “Random forest and support vector machine based hybrid approach to sentiment analysis,” Procedia Comput Sci, vol. 127, pp. 511–520, 2018, doi: 10.1016/j.procs.2018.01.150.
A. Nayak and S. Natarajan, “Comparative study of Naïve Bayes, Support Vector Machine and Random Forest Classifiers in Sentiment Analysis of Twitter feeds,” International Journal of Advanced Studies in Computer Science and Engineering, vol. 5, no. 1, 2016.
Wahyu Setianto, “ Analisis Sentimen Corona DKI Jakarta .” https://github.com/Hyuto/Analisis-Sentimen-Corona-DKI-Jakarta/ (accessed Jul. 20, 2023).