Implementasi Sentimen Masyarakat berdasarkan Tweet terkait Kebijakan Kemendikbud di Masa Pandemi Covid-19
DOI:
https://doi.org/10.26418/justin.v10i3.54243Keywords:
Twitter, Klasifikasi, Machine Learning, PSO, Multi Class SVM,Abstract
Twitter selalu menyajikan informasi trending sehingga pengguna selalu update terkait segala sesuatu yang sedang hangat diperbincangkan (tweet), contohnya sentimen masyarakat terkait kebijakan kemendikbud di masa pandemi Covid-19. Identifikasi tweets tersebut dapat dilakukan dengan klasifikasi. Sentimen tweets diklasifikasikan ke dalam tiga kelas, yaitu negatif, netral, atau positif. Tujuan penelitian ini adalah menghasilkan model klasifikasi yang memiliki performa terbaik dalam implementasi permasalahan tersebut. Selain itu, penelitian juga melihat pengaruh tuning hyperparameter dan pendekatan multi class SVM. Metode klasifikasi yang digunakan adalah multi class SVM (Support Vector Machine) dengan pendekatan OVO (One Versus One) dan OVA (One Versus All), serta PSO (Particle Swarm Optimization) digunakan sebagai tuning hyperparameter. Pembagian dataset dilakukan menjadi data training sebanyak 5939 data dan data testing sebanyak 660 data dengan rasio 90%:10%. Evaluasi dilakukan menggunakan 10-fold CV terhadap data training dan confusion matrix terhadap data testing. Berdasarkan evaluasi terhadap empat model skenario yang dibangun berupa nilai akurasi training dan testing, model OVO tanpa PSO sebesar 76,86% dan 79,70%, model OVO dengan PSO sebesar 77,94% dan 83,03%, model OVA tanpa PSO sebesar 76,66% dan 79,70%, dan model OVA dengan PSO sebesar 78,62% dan 83,18%. Kemudian, PSO dapat meningkatkan nilai akurasi training dan testing, yaitu OVO sebesar 1,08% dan 3,33%, serta OVA sebesar 1,96% dan 3,48%. Setelah itu, OVA memiliki akurasi training dan testing lebih tinggi dibanding OVO hanya jika menggunakan PSO, yaitu 0,68% dan 0,15%. Sedangkan, OVO memiliki nilai akurasi training lebih tinggi dibanding OVA hanya jika tidak menggunakan PSO, yaitu 0,2% dan keduanya memiliki nilai akurasi testing yang sama. Setelah hasil evaluasi tersebut, model OVA dengan PSO memberikan performa terbaik dibanding model lainnya dan digunakan sebagai model prediksi machine learning aplikasi generik yang dibangun dalam penelitian ini.
References
Viva.co.id, “Survei Pendidikan Dunia, Indonesia Peringkat 72 dari 77 Negara,†Kamis, 5 Desember 2019. p. 1, 2020.
D. A. N. Teknologi, U. Sultan, A. Tirtayasa, and F. Pascasarjana, “Kementerian pendidikan, kebudayaan riset, dan teknologi,†vol. 10. p. 2021, 2021.
W. A. Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,†J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4704–4713, 2018.
G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,†INTEGER J. Inf. Technol., vol. 1, no. 1, pp. 32–41, 2017, [Online]. Available:
B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,†J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526.
V. Chandani, “Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film,†J. Intell. Syst., vol. 1, no. 1, pp. 56–60, 2015.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,†J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.
M. R. A. Nasution and M. Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,†J. Inform., vol. 6, no. 2, pp. 226–235, 2019, doi: 10.31311/ji.v6i2.5129.
A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,†J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi: 10.30871/jaic.v4i1.2017.
P. T. Ahp, “Analisis Kepribadian Melalui Twitter Menggunakan Metode Logistic Regression dengan Pembobotan TF-IDF dan AHP,†Anal. Kepribadian Melalui Twitter Menggunakan Metod. Logist. Regres. dengan, vol. 6, no. 2, pp. 9667–9682, 2019.
I. Hakim, A. Nugroho, S. H. Sukmana, and W. Gata, “Sentimen Analisis Stay Home menggunakan metode klasifikasi Naive Bayes , Support Vector Machine , dan k-Nearest Neighbor,†vol. 22, no. 2, pp. 169–174, 2020.
A. P. Putra, N. N. Debataraja, and D. Kusnandar, “Tingkat Akurasi Klasifikasi Jarak Kelahiran Di Kampung Keluarga Berencana ( Kb ) Dengan Metode Support Vector Machine ( Svm ),†Bul. Ilm. Mat. Stat. dan Ter., vol. 9, no. 3, pp. 361–370, 2020.
R. Y. Hayuningtyas and R. Sari, “Analisis Sentimen Opini Publik Bahasa Indonesia Terhadap Wisata Tmii Menggunakan Naïve Bayes Dan Pso,†J. Techno Nusa Mandiri, vol. 16, no. 1, pp. 37–42, 2019, doi: 10.33480/techno.v16i1.115.
D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter,†J. Tekno Kompak, vol. 14, no. 2, p. 86, 2020, doi: 10.33365/jtk.v14i2.792.
R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),†J. MEDIA Inform. BUDIDARMA, vol. 4, no. 3, 2020, doi: 10.30865/mib.v4i3.2181.
Z. Alhaq, A. Mustopa, S. Mulyatun, and J. D. Santoso, “PENERAPAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS Informatika Universitas Amikom Yogyakarta Abstraksi Keywords : Pendahuluan Tinjauan Pustaka,†J. Inf. Syst. Manag., vol. Vol. 3, no. 2, pp. 44–49, 2021, [Online]. Available: https://jurnal.amikom.ac.id/index.php/joism/article/view/558.
A. Taufik, “Optimasi Particle Swarm Optimization Sebagai Seleksi Fitur Pada Analisis Sentimen Review Hotel Berbahasa Indonesia Menggunakan Algoritma Naïve Bayes,†J. Tek. Komput., vol. III, no. 2, pp. 40–47, 2017.
A. B. P. Negara, H. Muhardi, and F. Sajid, “Perbandingan Algoritma Klasifikasi terhadap Emosi Tweet Berbahasa Indonesia,†JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 2, pp. 242–249, 2021, [Online]. Available: https://jurnal.untan.ac.id/index.php/jepin/article/view/48198.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
