ANALISIS SENTIMEN PENGGUNAAN KOTAK SUARA KARDUS MENGGUNAKAN SVM LINEARLY SEPARABLE DATA

Anastasia Dhika Prasmitasari Wardhani, Isnandar Slamet, Sugiyanto Sugiyanto

Abstract


Abstrak

Pemilihan umum merupakan sarana bagi warga negara untuk memilih wakil-wakilnya yang akan menyalurkan aspirasinya. Komisi Pemilihan Umum sebagai penyelenggara pemilu memutuskan menggunakan kotak suara kardus dalam Pemilihan Umum 2019. Keputusan tersebut menimbulkan berbagai opini dalam masyarakat yang disampaikan melalui media sosial, salah satunya Twitter. Opini tersebut dijadikan bahan analisis sentimen. Penelitian ini bertujuan untuk mengetahui dan mengklasifikasikan sentimen masyarakat terhadap penggunaan kotak suara kardus. Opini masyarakat diklasifikasikan menjadi positif atau negatif. Tahapan dalam melakukan analisis sentimen adalah scraping data, preprocessing data, pelabelan data, klasifikasi, dan visualisasi dengan word cloud. Algoritma klasifikasi yang digunakan dalam penelitian ini adalah Support Vector Machine Linearly Separable Data. Berdasarkan pembahasan, dapat disimpulkan bahwa sentimen positif terhadap penggunaan kotak suara kardus adalah aman, hemat, kedap, tahan, didukung, dan disetujui, sedangkan sentimen negatifnya adalah rawan, curang, percaya, rusak, polemik, dan gila. Selain itu, diperoleh 79,24% data dapat diklasifikasikan dengan benar.


Full Text:

PDF

References


Christianini, N. and Taylor, J.S. 2000. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge: Cambridge University Press.

Faizal, M.R. 2016. Seni Belajar Pemrograman Supervised Learning dengan R. Banjarmasin: INDC Indonesia.

Fikria, N. 2018. Analisis Klasifikasi Sentimen Review Aplikasi E-Ticketing Menggunakan Metode Support Vector Machine dan Asosiasi. Skripsi. Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia.

Han, J., Kamber, M., and Pei, J. 2012. Data Mining Concepts and Techniques Third Edition. Waltham: Morgan Kaufmann.

Kanimozhi, K.V. and Venkatesan, M. 2015. Unstructured Data Analysis- A Survey. International Journal of Advanced Research in Computer and Communication Engineering. Volume 4, Issue 3.

Latifah, E.F.U. 2018. Perbandingan Kinerja Machine Learning Berbasis Algoritma Support Vector Machine dan Naïve Bayes. Skripsi. Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia.

Luqyana, W.A. 2018. Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine. Skripsi. Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya.

Novantirani, A. 2015. Analisis Sentimen pada Twitter Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine. Proceeding of Engineering. 2(1): 1177-1178.

Octaviani, P.A. 2014. Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Jurnal Gaussian. 3(4): 813-814.

Rajeswary, B. and Divya, S. 2015. Identification and Classification of Pests in Greenhouse Using Advanced SVM in Image Processing. International Journal of Scientific Engineering and Research. Volume 3, Issue 5.

Susilowati, E. 2015. Implementasi Metode Support Vector Machine untuk Melakukan Klasifikasi Kemacetan Lalu Lintas Pada Twitter. Proceeding of Engineering. 2(1): 1478.

Turban, E., Aronson, J., and Liang, T. 2005. Decision Support System And Intelligent System. Upper Saddle River, New Jersey USA: Prentice Hall.

Website:

https://datareportal.com/reports/digital-2019-indonesia (diakses pada tanggal 12 Februari 2019)




DOI: http://dx.doi.org/10.31000/cpu.v0i0.1695

Article Metrics

Abstract - 735 PDF - 713

Refbacks

  • There are currently no refbacks.