Analisis Sentimen Masyarakat Terhadap Pembatalan Piala Dunia U20 di Indonesia Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (SVM)
Abstract views: 383
,
PDF (Bahasa Indonesia) downloads: 285
Abstract
Kontroversi menjelang Piala Dunia U20 terkait penolakan kedatangan Timnas Israel dan konflik Israel-Palestina banyak menarik perhatian publik. Hal tersebut memicu pro-kontra di tengah-tengah masyarakat Indonesia. Kontroversi ini menuai berbagai tanggapan masyarakat, baik positif maupun negatif yang disampaikan melalui media sosial, terutama Twitter. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terkait kontroversi pembatalan Piala Dunia U20 di Indonesia menggunakan metode Support Vector Machine (SVM). Data yang digunakan dalam penelitian ini diperoleh dari platform media sosial twitter melalui web hawksey.info dengan hastag #PialaDuniaU20 sejak tanggal 30 Maret 2023 sampai 1 April 2023. Dari proses tersebut dihasilkan 2966 jumlah tweet yang akan dianalisis dalam penelitian ini. Data yang telah diperoleh kemudian dipreproses untuk menghilangkan noise dan dilakukan ekstraksi fitur menggunakan teknik seperti tokenisasi, stemming, dan penghapusan stop word. Selanjutnya, hasil analisis sentimen akan diklasifikasikan menjadi positif atau negatif berdasarkan probabilitas prediksi yang diberikan oleh model SVM. Analisis klasifikasi menggunakan metode SVM menghasilkan akurasi 74,4% dengan nilai presisi 74%, recall 74%, dan f1-score 73%.
References
Ipsos, “Attitudes Towards the Fifa World Cup 2022 in Qatar,” 2022. [Online]. Available: https://www.ipsos.com/sites/default/files/ct/news/documents/2022-11/Ipsos 2022 FIFA World Cup Global Advisor Survey Report - Public Version.pdf
F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” J. SIMETRIS, vol. 10, no. 2, pp. 681–686, 2019.
R. W. Mayasari, K. Fithriasari, N. Iriawan, and W. S. Winahju, “Surabaya Government Performance Evaluation Using Tweet Analysis,” Matematika, vol. 36, no. 1, pp. 31–42, 2020, doi: 10.11113/matematika.v36.n1.1176.
S. Naz, A. Sharan, and N. Malik, “Sentiment Classification on Twitter Data Using Support Vector Machine,” Proc. - 2018 IEEE/WIC/ACM Int. Conf. Web Intell. WI 2018, pp. 676–679, 2019, doi: 10.1109/WI.2018.00-13.
M. F. Asshiddiqi and K. M. Laksmana, “Perbandingan Metode Decision Tree dan Support Vector Machine untuk Analisis Sentimen pada Instagram Mengenai Kinerja PSSI,” e-Proceeding Eng., vol. 7, no. 3, 2020.
N. Hendrastuty et al., “Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 6, no. 3, pp. 150–155, 2021, [Online]. Available: http://situs.com
R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020, doi: 10.30865/mib.v4i3.2181.
D. Maulina and I. Frans, “Studi Komprehensif Algoritma Naive Bayes Classifier Dengan Support Vector Machine Pada Sentiment Analysis Opini Pembangunan Infrastruktur di Media Sosial Twitter,” Inspir. J. Teknol. Inf. dan Komun., vol. 12, no. 1, p. 41, 2022, doi: 10.35585/inspir.v12i1.2640.
S. Dey, S. Wasif, D. S. Tonmoy, S. Sultana, J. Sarkar, and M. Dey, “A Comparative Study of Support Vector Machine and Naive Bayes Classifier for Sentiment Analysis on Amazon Product Reviews,” 2020 Int. Conf. Contemp. Comput. Appl. IC3A 2020, pp. 217–220, 2020, doi: 10.1109/IC3A48958.2020.233300.
I. Rozi, S. Pramono, and E. Dahlan, “Implementasi Opinion Mining (Analisis Sentimen) Untuk Ekstraksi Data Opini Publik Pada Perguruan Tinggi,” J. EECCIS, vol. 6, no. 1, pp. 37–43, 2012.
J. Faret and J. Reitan, “Twitter Sentiment Analysis-Exploring the Effects of Linguistic Negation,” Norwegian University, 2015. [Online]. Available: http://brage.bibsys.no/xmlui/handle/11250/2353488
G. T. Santoso, “Analisis Sentimen Pada Tweet Dengan Tagar #Bpjsrasarentenir Menggunakan Metode Support Vectore Machine (Svm),” Universitas Islam Riau Pekanbaru, 2021.
M. A. F. Umi Rofiqoh1, Rizal Setya Perdana2 and Program, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter dengan Metode Support Vector Machine dan Lexicon Based Features Twitter event detection View project Human Detection and Tracking View project,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1(12), no. October, pp. 1725–1732, 2017, [Online]. Available: https://www.researchgate.net/publication/320234928
A. Kowalczyk, Support Vector Machines Succinctly. 2017.
S. Rani and J. Singh, “Sentiment Analysis of Tweets Using Support Vector Machine,” Int. J. Comput. Sci. Mob. Appl., vol. 5, pp. 83–91, 2017, [Online]. Available: www.xyz.com
Florin Gorunescu, Data Mining: Concept, Models, Techniques. Springer, 2011.
A. V. Vitianingsih, Z. Othman, S. S. K. Baharin, A. Suraji, and A. L. Maukar, “Application of the Synthetic Over-Sampling Method to Increase the Sensitivity of Algorithm Classification for Class Imbalance in Small Spatial Datasets,” Int. J. Intell. Eng. Syst., vol. 15, no. 5, pp. 676–690, 2022.
