Perbandingan Pelabelan Otomatis Dan Manual Untuk Analisis Sentimen Terhadap Kenaikan Harga BBM Pertamina Pada Twitter Menggunakan Algoritma Support Vector Machine

Ikhlasul Amal, Jayanta Jayanta

Abstract


Pada 3 September 2022, pemerintah resmi mengumumkan kenaikan harga BBM. Berbagai tanggapan dan keluhan masyarakat ditumpahkan lewat media sosial Twitter dan trending topic. Tentu banyak sekali data tersebut yang harus ditampung, maka dari itu diperlukan analisis sentimen untuk mengetahui sentimen pengguna dan perbandingan performa algoritma Support Vector Machine (SVM) menggunakan data dari pelabelan otomatis dan manual, melakukan praproses untuk mengubah data yang tidak terstruktur menjadi terstruktur. Data tersebut diberi label positif dan negatif secara otomatis menggunakan Lexicon Based dan secara manual oleh 2 anotator dengan perhitungan Kappa Statistic. Pembobotan kata menggunakan Term Frequency – Inverse Document Frequency. Data dibagi menjadi 80:20 data latih dan data uji. Hasil klasifikasi dari data yang dilabelkan secara otomatis dan manual menggunakan algoritma Support Vector Machine (SVM) masing-masing memiliki nilai akurasi sebesar 0.83 dan 0.81, presisi sebesar 0.86 dan 0.84, recall sebesar 0.92 dan 0.91, specificity sebesar 0.58 dan 0.56, dan F1-Score sebesar 0.89 dan 0.88.

Keywords


Kenaikan Harga BBM, Twitter, Analisis Sentimen, Support Vector Machine (SVM)

Full Text:

PDF

References


Yuliani, D., Saryono, S., Apriani, D., Maghfiroh., & Ro, M. (2022). Dampak Kenaikan Harga Bahan Bakar Minyak (BBM) Terhadap Sembilan Bahan Pokok (Sembako) Di Kecamatan Tambun Selatan Dalam Masa Pandemi. Jurnal Citizenship Virtues, 2022, 2(2), 320-326.

Suryo, A. (2022). BBM Naik, Pertamina Masih Trending di Twitter. Diambil tanggal 20 September 2022, dari https://inet.detik.com/cyberlife/d-6272319/bbm-naik-pertamina-masih-trending-di-twitter

Hadna, N., M., S., Santosa, P., I., & Winarno, W., W. (2016). Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen di Twitter. Yogyakarta: Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016).

Manik, G., Ernawati, I., & Nurlaili, I. (2021). Analisis Sentimen Pada Review Pengguna E-Commerce Bidang Pangan Menggunakan Metode Support Vector Machine (Studi Kasus: Review Sayurbox dan Tanihub pada Google Play). In Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya (Vol. 2, No. 2, pp. 64-74).

Arjuna, R., M. (2021). Analisis Sentimen Terhadap Layanan Provider Telkomsel Pada Jejaring Sosial Twitter Menggunakan Algoritma Support Vector Machine. Diambil tanggal 27 September 2022, dari https://repository.upnvj.ac.id/11199/

Kelvin., Banjarnahor, J., Indra, E., & Sinurat, S., H. (2022). Analisis Perbandingan Sentimen Corona Virus Disease-2019 (COVID19) Pada Twitter Menggunakan Metode Logistic Regression dan Support Vector Machine (SVM). JUSIKOM PRIMA (Jurnal Sistem Informasi dan Ilmu Komputer Prima). Vol.5, No. 2.

Mahendrajaya, R., Buntoro, G., H., & Setyawan, M., B. (2019). Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based dan Support Vector Machine. KOMPUTEK: Jurnal Teknik Universitas Muhammadiyah Ponorogo, 3(2), 2019: 52-63.

Mujahidin, S., Prasetio, B., & Utomo, M., C., C. (2022). Implementasi Analisis Sentimen Masyarakat Mengenai Kenaikan Harga BBM Pada Komentar Youtube Dengan Metode Gaussian Naïve Bayes. Jurnal Vocational Teknik Elektronika dan Informatika. Vol. 10, No.3.

Harieby, E., Hoiriyah, & Walid, M. (2022). Twitter Text Mining Mengenai Isu Vaksinasi Covid-19 Menggunakan Metode Term Frequency, Inverse Document Frequency (TF-IDF). Jurnal Mahasiswa Teknik Informatika (JATI). Vol. 6, No. 2.

Satria, H. (2023). Cara Berhasil Mendapatkan Data Tweet dari Twitter — 2023. Diambil tanggal 2 Februari 2023, dari https://medium.com/@helmisatria/cara-mendapatkan-data-twitter-di-2023-44aaefb616ea

Widayani, W., & Harliana. (2021). Perbandingan Kernel Support Vector Machine Dalam Melakukan Klasifikasi Penundaan Biaya Kuliah Mahasiswa. Jurnal Sains dan Informatika. Vol. 7, No. 1.

Yao, L., Fang, Z., Xiao, Y., Hou, J., & Fu, Z. (2021). An intelligent fault diagnosis method for lithium battery systems based on grid search support vector machine. Energy, 214, 118866.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.