(0721) 8030188    pusat@itera.ac.id   

Analisis Sentimen Terhadap Peraturan Menteri Pendidikan dan Kebudayaan Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization


Media sosial adalah sarana untuk berinteraksi antar pengguna dengan menciptakan konten informasi, membagikan dan menerimanya dengan media aplikasi berbasis internet. Media sosial digunakan untuk beriteraksi dari satu orang ke orang lain, begitu juga pemerintah. Interaksi dilakukan melalui fitur komentar. Twitter dan youtube merupakan media yang memfasilitasi hal tersebut. Komentar dari media sosial bisa dianalisis lebih lanjut. Bidang yang bisa mengolah komentar-komentar tersebut disebut analisis sentimen. Analisis sentimen adalah bidang yang menganalisis sentimen, sikap, dan emosi entitas dan atributnya yang berupa teks. Penelitian ini melakukan analisis sentimen terhadap diterbitkannya peraturan menteri no.30 tahun 2021. Komentar yang digunakan diambil dari twitter dan youtube dengan teknik scraping. Data yang didapatkan selanjutnya di preprocessing. Preprocessing yang diterapkan adalah case folding, tokenization, penghapusan stopword, stemming menggunakan sastrawi. Dataset dilabeli secara otomatis menggunakan VADER (Valence Dictionary for sEntiment Reasoning). Tujuan dari penelitian adalah membandingkan performa dari algoritma klasifikasi Support Vector Machine (SVM) tanpa menerapkan Particle Swarm Optimization (PSO) dan performa algoritma klasifikasi Support Vector Machine menggunakan dengan menerapkan PSO. Pemodelan menggunakan algoritma klasifikasi SVM dengan kernel linear, RBF dan polynomial orde-1 dan orde-2. Adapun performa yang diukur adalah akurasi dan f1-macro pada model tanpa menerapkan PSO dan akurasi pada model yang menerapkan PSO. Model dengan performa terbaik sebelum diterapkan PSO pada dataset twitter adalah kernel linear dengan nilai akurasi sebesar 0.87 dan f1- macro sebesar 0.71. Model dengan performa terbaik pada dataset youtube adalah kernel linear dengan akurasi 0.93 dan f1-macro sebesar 0.87. Model yang diterapkan PSO tidak berhasil meningkatkan akurasi pada semua kernel. Kernel yang berhasil meningkatkan akurasi adalah kernel RBF dari 0.76 menjadi 0.82 dan polynomial dari 0.78 menjadi 0.84 pada dataset twitter, sementara untuk dataset youtube peningkatan akurasi tidak terlalu signifikan. Hasil akurasi pada kernel RBF dari 0.93 menjadi 0.95, kernel polynomial dari 0.91 menjadi 0.95. Kata Kunci: Sentimen Analisis, VADER, Preprocessing, Support Vector Machine, Particle Swarm Optimization, Kernel

URI
https://repo.itera.ac.id/depan/submission/SB2206070056

Keyword