Analisis Sentimen Terhadap Pembelajaran Daring Di Indonesia Menggunakan Support Vector Machine (SVM)

Authors

  • Alfiyah Nur Indraini Jurusan Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Veteran Jakarta
  • Iin Ernawati Jurusan Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Veteran Jakarta

DOI:

https://doi.org/10.22441/fifo.2022.v14i1.007

Keywords:

Analisis Sentimen, Klasifikasi, Support Vector Machine

Abstract

Pada masa pandemi ini tercipta kebijakan baru dalam dunia pendidikan. Kebijakan tersebut menganjurkan pelajar untuk melaksanakan pembelajaran dalam jaringan (daring) dengan jangka waktu yang panjang. Kebijakan baru menimbulkan banyaknya opini publik yang disampaikan melalui media sosial. Oleh karena itu, penelitian ini akan melakukan analisis sentimen terhadap opini publik mengenai pembelajaran daring di Indonesia untuk memberikan informasi atau evaluasi terhadap opini publik pada media sosial twitter. Analisis sentimen dapat dilakukan dengan mengklasifikasi opini publik menjadi opini positif dan opini negatif dengan metode Support Vector Machine (SVM). Dalam mengklasifikasikan data dapat dilakukan pelabelan data dan pembersihan data terlebih dahulu sebelum melalui proses text preprocessing, kemudian data diberikan bobot setiap kata dengan Term Frequncy–Invers Document Frequency (TF-IDF) yang akan dijadikan sebagai fitur setelah itu pembagian data menggunakan 10-fold cross validation dan diklasifikasikan dengan metode Support Vector Machine (SVM). Hasil rata-rata evaluasi dengan confusion matrix yaitu accuracy sebesar 0,72.

 

Downloads

Download data is not yet available.

References

K. P. dan Kebudayaan, “Kemendikbud Terbitkan Pedoman Penyelenggaraan Belajar dari Rumah, Surat Edaran Nomor 4 Tahun 2020,” 2020. https://www.kemdikbud.go.id/main/blog/2020/05/kemendikbud-terbitkan-pedoman-penyelenggaraan-belajar-dari-rumah.

F. A. Nugraha, N. H. Harai, and R. Habibi, Analisis Sentimen Terhadap Pembatasan Sosial Menggunakan Deep Learning. Bandung: Kreatif Industri Nusantara, 2020.

S. Fauziah, D. N. Sulistyowati, and T. Asra, Optimasi Algoritma Vector Space Model Dengan Algoritma K-Nearest Neighbour Pada Pencarian Judul Artikel Jurnal, vol. 15, no. 1. 2019.

T. R. Nichols, P. M. Wisner, G. Cripe, and L. Gulabchand, “Putting the kappa statistic to use,” Qual. Assur. J., vol. 13, no. 3–4, pp. 57–61, 2010, doi: 10.1002/qaj.481.

W. A. Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4704–4713, 2018.

P. P. A. Arsya Monica Pravina, Imam Cholissodin, “Analisis Sentimen Tentang Opini Maskapai Penerbangan pada Dokumen Twitter Menggunakan Algoritme Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2789–2797, 2019, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4793.

D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.

D. Yosmita Praptiwi, “Analisis Sentimen Online Review Pengguna E-Commerce Menggunakan Metode Support Vector Machine Dan Maximum Entropy,” 2018.

Chapman and Hall/CRC, The Top Ten Algorithms in Data Mining. Taylot & francis Group, LLC, 2009.

B. Santoso, A. I. S. Azis, and Zohrahayaty, Machine Learning & Reasoning Fuzzy Logic Algoritma, Manual, Matlab, & Rapid Miner. Yogyakarta: Deepublish, 2020.

Downloads

Published

2022-07-08

How to Cite

[1]
A. N. Indraini and I. Ernawati, “Analisis Sentimen Terhadap Pembelajaran Daring Di Indonesia Menggunakan Support Vector Machine (SVM)”, FIFO, vol. 14, no. 1, pp. 68–80, Jul. 2022.

Issue

Section

Articles

Similar Articles

<< < 2 3 4 5 6 7 8 > >> 

You may also start an advanced similarity search for this article.