Analysis of Public Opinion Sentiment on Instagram regarding Covid-19 with SVM
Analisis Sentimen Opini Publik pada Instagram mengenai Covid-19 dengan SVM
Abstract
Perkembangan teknologi dewasa ini mendorong masyarakat untuk selalu tanggap teknologi, terlebih di era pandemi covid-19 yang selalu mengedepankan social distancing. Media sosial digunakan sebagai suatu alat untuk menyampaikan opini masyarakat kepada khalayak. Dalam penelitian ini, penulis melakukan penelitian tentang opini masyaraat pada media sosial instagram dengan mengguakan Support Vector Machine. Setelah dilakukan uji akurasi dan presisi ternyata SVM belum sesuai digunakan sebagai algoritma yang dapat menangkap urutan karena susunan kata yang dibolak-balik meskipun maknanya berbeda tetap bermakna sama oleh mesin SVM, hal ini dibuktikan juga dengan jumlah akurasi yang kecil.yaitu 59%. Sehingga diperlukan langkah untuk bisa diteliti dengan algoritma lain misalnya algoritma HRRN (Highest Response Ratio Next) atau LSTM (Long Short-Term Memory) yang memperhatikan urutan dan proses dengan rasio respon paling tinggi. Jika berdasarkan pendekatan ekstraksi fitur SVM dengan pendekatan count vector, tf-idf word level, tf-idf ngram level dan tf-idf char level. Dalam skenario ini nilai akurasi tertinggi terdapat pada perhitungan dengan menggunakan ekstraksi fitur count vector dan tf-idf ngram level.
References
[2] Faisal, M. R. 2017. Seri Belajar Data Science: Klasifikasi dengan Bahasa Pemrograman R. Indonesia. Net Developer Community.
[3] Feldman, R., & Sanger, J. 2007. The Text Mining Handbook Advanced Approaches In Analyzing Unstructured Data. New York : Cambridge University Press. (Jamil, 2017).
[4] Kusrini. 2006. Sistem Pakar Teori dan Aplikasi. Andi Offset
[5] ----------. 2008. Aplikasi sistem Pakar Lanjut. Andi Offset
[6] Laksana, E. A., & Sulianta, F. 2017. Analisis Dan Studi Komparatif Algoritma Klasifikasi Genre Musik. 67-72
[7] Lee, L., & Pang, B. 2008. Opinion Mining and Sentiment Analysis. Foundation and Trends in Information Retrieval, 2(1-2): 1-135.
[8] Liu, B. 2012. Sentiment Analysis and Subjectivity. Synthesis Lectures on Human Language Technologies. USA: Morgan & Claypool Publishers.
[9] Mohri, M., Rostamizadeh, A., & Talwalkar, A. 2012. Foundations of Machine Learning. MIT Press
[10] Prasetyo, Eko. 2014. Data Mining Mengolah Data Menjadi Informasi menggunakan Matlab. Yogyakarta: ANDI
[11] Sugiyono. 2015. Metode Penelitian Kuantitatif, Kualitatif, dan R&D. 22 ed. Bandung: Alfabeta.
[12] Suyanto. 2017. Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung:Informatika Bandung.
[13] Tan, P., Steinbach, M., & Karpatne, A. 2006. Introduction To Data Mining. USA: Addison-Wesley.
[14] Turban, E., Aronson, J., & Liang, T. 2005. Decision Support System And Intelligent System. Upper Saddle River, New Jersey USA: Prentice Hall.
[15] --------- 2005. Service Quality Satisfaction. Yogyakarta: Andi.
[16] Alhajji, Moehammad. 2020. Sentiment Analysis of Tweets in Saudi Arabia Regarding Governmental Preventive Measures to Contain COVID-19. preprints
[17] Athira, Wanda. 2018. Analisis Sentimen Cyberbullying Pada Komentar Instagram Dengan Metode Klasifikasi Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
[18] Budi, Eko. 2019. Analisis Sentimen Calon Presiden Indonesia 2019. Berdasarkan Komentar Publik Di Facebook. Jurnal Eksplora Informatika
[19] Burhanudin, Ikhsan. 2020. Ancaman Krisis Ekonomi Global Dari Dampak Penyebaran Virus Corona (Covid 19). Akmen
[20] Fatmawati. 2017. Klasifikasi Keluhan Menggunakan Metode Support Vector Machine (SVM) (Studi Kasus: Akun Fb Group Iraise Helpdesk). Jurnal CoreIT
[21] Fauzi, Akhmad. 2019. Sentimen Analisis Berinternet Pada Media Sosial Dengan Menggunakan Algoritma Bayes. Jurnal Informatika
[22] Janoušek, V., Moyen, J.-F., Martin, H., Erban, V., & Farrow, C. 2015. Geochemical Modelling of Igneous Processes–Principles And Recipes in R Language: Bringing the Power of R to a Geochemical Community. Springer Geochemistry
[23] Lappeman, James. 2020. Studying Social Media Sentiment Using Human Validated. Elsevier
[24] Maulana, Akbar. 2018. Analisis Sentimen Media Sosial Univ.Amikom Yogyakarta Sebagai Sarana Penyebaran Informasi Menggunakan Algoritma Klasifikasi SVM. Seminar Nasional Teknologi Informasi dan Multimedia
[25] Murty, M., & Raghava, R. 2016. Support Vector Machines and Perceptrons: Learning, Optimization, Classification, and Application to Social Networks.Springer.
[26] Puspita. 2014. Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi SD Di Kab. Magelang. Jurnal Gaussian
[27] Putri, D.U.K. 2016. Implementasi Inferensi Fuzzy Mamdani Untuk Keperluan Sistem Rekomendasi Berita Berbasis Konten. Program Studi Ilmu Komputer FMIPA UGM Yogyakarta.
[28] Salam, Abu. 2018. Analisis Sentimen Data Komentar Sosial Media Fb Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekspress Indonesia). Prosiding Sintak
[29] Saraswati, N.S. 2011. Text Mining dengan Metode Naive Bayes Classifier dan Support Vector Machines untuk Sentiment Analysis. Program Studi Teknologi Informasi Fakultas Teknik UGM Yogyakarta.
[30] Krusnoslav, dkk. 2018. Comparison of Naïve Bayes and SVM Classifiers in Categorization of Concept Map
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png)
.png)
