ANALISIS SENTIMEN PADA DATA TWITTER UNTUK KEBENCANAAN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)
Saat terjadi bencana, twitter menjadi salah satu media utama penyampaian informasi dan opini bagi masyarakat secara cepat. Namun, besarnya jumlah data yang diunggah menyebabkan informasi yang penting sering kali tenggelam di tengah banyaknya unggahan yang tidak relevan. Oleh karena itu penelitian ini bertujuan untuk mengidentifikasi tantangan dalam analisis data sentimen terkait kebencanaan serta menerapkan algoritma Support Vector Machine dalam menganalisis sentimen data bencana melalui twitter dengan membandingkan empat jenis kernel dan melihat kinerja dari algoritma Support Vector Machine dalam menganalisis data sentimen terkait kebencanaan pada media sosial twitter. Dalam pengujian dan evaluasinya penelitian ini menggunakan K-Fold Cross Validation dan Confusion Matrix, dalam data Haiti, Catania, dan Eropa Tengah menggunakan 10-fold, sedangkan data Kroasia menggunakan 5-fold yang masing-masing data diuji menggunakan kernel yang berbeda. Hasil menunjukkan kernel Linear memiliki kestabilan yang baik dengan memberikan nilai standard deviation yang rendah, serta memberikan hasil akurasi dan f1-score terbaik dari kernel lainnya, terutama pada dataset yang kecil dan tidak seimbang. Kernel Linear memiliki keunggulan yang terletak pada dua data yaitu data Catania, kernel Linear menghasilkan nilai akurasi 0.7048, presisi 0.7879, recall 0.7048 dan f1-score 0.7113. Data Eropa Tengah kernel Linear menghasilkan nilai akurasi 0.7184, presisi 0.7146, recall 0.7184 dan f1-score 0.7145. Sedangkan untuk data Haiti, kernel RBF menghasilkan nilai akurasi 0.8045, presisi 0.8139, recall 0.8045 dan f1-score 0.8078. Untuk data Croatia kernel Linear menghasilkan nilai akurasi 0.5625, presisi 0.6250, recall 0.5625 dan f1-score 0.5469.
URI
https://repo.itera.ac.id/depan/submission/SB2505210041
Keyword
Pelabelan Supervised Klasifikasi Unsupervised