Perbandingan Metode Lexicon Based Dan SVM Dalam Analisis Sentimen Opini Masyarakat Tentang Pinjaman Online Di X
Penelitian ini bertujuan untuk menganalisis dan membandingkan efektivitas dua pendekatan analisis sentimen, yakni Lexicon-Based dan Support Vector Machine (SVM), dalam mengklasifikasikan opini publik terkait pinjaman online (pinjol) pada media sosial X. Latar belakang kajian ini adalah tingginya volume opini masyarakat mengenai layanan pinjol, terutama yang berstatus ilegal dan cenderung merugikan pengguna melalui suku bunga tinggi, penyalahgunaan data pribadi, serta metode penagihan yang tidak manusiawi. Data yang digunakan berasal dari 472 tweet bertopik "pinjol", dikumpulkan selama periode 1 Januari hingga 1 Desember 2024. Analisis dilakukan menggunakan dua pendekatan: metode Lexicon-Based, yang menggunakan kamus kata bernuansa sentimen, serta SVM, algoritma machine learning berbasis TF-IDF. Proses analisis mencakup beberapa tahapan, seperti pembersihan data (cleaning), tokenisasi, penghapusan stopword, serta stemming. Evaluasi performa dilakukan menggunakan confusion matrix dan sejumlah metrik seperti accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa metode Lexicon-Based memiliki kecenderungan untuk mengklasifikasikan opini sebagai sentimen positif dengan tingkat akurasi sebesar 54,3%. Sementara itu, metode SVM lebih dominan dalam menghasilkan klasifikasi netral dan mencatat akurasi yang lebih tinggi, yakni 80,4%. Temuan ini menunjukkan bahwa SVM memiliki kemampuan yang lebih baik dalam mengenali pola sentimen secara konsisten. Kesimpulan dari penelitian ini menyatakan bahwa metode SVM lebih unggul dalam hal akurasi dan efektivitas dibandingkan dengan Lexicon-Based. Penulis merekomendasikan pemanfaatan dataset yang lebih besar serta eksplorasi terhadap metode klasifikasi lainnya guna memperkaya hasil analisis di masa mendatang.
URI
https://repo.itera.ac.id/depan/submission/SB2505280018
Keyword
Analisis Sentimen Lexicon-Based Support Vector Machine Pinjaman Online Media Sosial X