Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine

  • Fadhilah Dwi Ananda Universitas Amikom Yogyakarta
  • Yoga Pristyanto Universitas Amikom Yogyakarta
Keywords: Sentiment Analysis, Support Vector Machine, Classification, Internet Provider, Twitter Data

Abstract

Media sosial saat ini merupakan media komunikasi yang sering digunakan oleh kalangan masyarakat Indonesia dalam menyampaikan sebuah opini. Salah satu media yang sering digunakan masyarat adalah twitter. Twitter merupakan media sosial yang memberikan banyak informasi melalui tweet, dari informasi yang ditulis tersebut terdapat data yang dapat diolah. Penelitian ini menggunakan teknik text mining dengan menerapkan algoritma Support Vector Machine dipergunakan untuk klasifikasi sentimen pengguna twitter terhadap layanan internet Biznet. Kernel yang digunakan adalah kernel Linear dan kernel RBF. Pengujian dilakukan dengan 3 skenario, pada skenario 1 menggunakan 800 data, skenario 2 menggunakan 900 data dan skenario 3 menggunakan 1000 data, untuk pembagiannya yaitu 90% data training dan 10% data testing dari masing-masing skenario. Berdasarkan hasil pengujian yang dilakukan menggunakan kernel linear dan kernel RBF dapat diambil kesimpulan sebagai berikut. Algoritma SVM menggunakan dengan kernel linear maupun kernel RBF memiliki hasil kinerja evaluasi baik dari sisi akurasi, presisi dan recall yang relatif sama. Sehingga dapat dikatakan bahwa algoritma SVM baik dengan kernel RBF maupun Linear sama sama dapat digunakan dengan baik dalam menentukan sentimen pengguna internet Biznet. Selain itu dengan 3 skenario pengujian dengan jumlah data yang berbeda algoritma SVM baik dengan kernel RBF maupun Linear sama sama konsisten kinerjanya.

 

Downloads

Download data is not yet available.

References

[1] Asosiasi Penyelenggara Jasa Internet Indonesia, “Penetrasi & Profil Perilaku Pengguna Internet Indonesia,” Apjii, p. 51, 2018.
[2] A. Balahur, R. Mihalcea, and A. Montoyo, “Computational approaches to subjectivity and sentiment analysis: Present and envisaged methods and applications,” Computer Speech and Language, vol. 28, no. 1, pp. 1–6, 2014.
[3] kominfo, “Indonesia Peringkat Lima Pengguna Twitter,” https://kominfo.go.id/, 2012. .
[4] P. R. Shaver, U. Murdaya, and R. C. Fraley, “Structure of the Indonesian emotion lexicon,” Asian Journal of Social Psychology, vol. 4, no. 3, pp. 201–224, 2001.
[5] R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” Jurnal Media Informatika Budidarma, vol. 4, no. 3, p. 650, 2020.
[6] C. . Manning, P. Raghavan, and H. Schutze, “Introduction to Information Retrieval,” Cambridge University Press, 2008.
[7] I. Rozi, S. Pramono, and E. Dahlan, “Implementasi Opinion Mining (Analisis Sentimen) Untuk Ekstraksi Data Opini Publik Pada Perguruan Tinggi,” Jurnal EECCIS, vol. 6, no. 1, pp. 37–43, 2012.
[8] B. Liu, entiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge: Cambridge University Press, 2015.
[9] A. Fathan Hidayatullah, M. Rifqi Ma, and arif Program Studi Manajemen Informatika STMIK Jenderal Achmad Yani Yogyakarta Jl Ringroad Barat, “Penerapan Text Mining dalam Klasifikasi Judul Skripsi,” Seminar Nasional Aplikasi Teknologi Informasi (SNATi) Agustus, pp. 1907–5022, 2016.
[10] H. Yu, X. Huang, X. Hu, and H. Cai, “A comparative study on data mining algorithms for individual credit risk evaluation,” Proceedings - 2010 International Conference on Management of e-Commerce and e-Government, ICMeCG 2010, pp. 35–38, 2010.
[11] B. Pang and L. Lee, “Thumb Up ? Sentiment Classification Using Machine Learning Techiques,” Prociding of the Conference on Empirical Method in Natural Language Processing Empirical Method in Natural Language Processing, pp. 79–86, 2002.
[12] E. Tyagi and A. K. Sharma, “Sentiment Analysis of Product Reviews using Support Vector Machine Learning Algorithm,” Indian Journal of Science and Technology, vol. 10, no. 35, pp. 1–9, 2017.
[13] P. H. Saputro, M. Aristin, and Dy. L. Tyas, “Klasifikasi Lagu Daerah Indonesia Berdasarkan Lirik Menggunakan Metode Tf- Idf Dan Naïve Bayes,” Jurnal Teknoloi Informatika dan Terapan, vol. 4, no. 1, pp. 45–50, 2017.
[14] K. A. B. Permana, M. Sudarma, and W. G. Ariastina, “Analisis Rating Sentimen pada Video di Media Sosial Youtube Menggunakan STRUCT-SVM,” Majalah Ilmiah Teknologi Elektro, vol. 18, no. 1, p. 113, 2019.
[15] N. A. Vidya, M. I. Fanany, and I. Budi, “Twitter Sentiment to Analyze Net Brand Reputation of Mobile Phone Providers,” Procedia Computer Science, vol. 72, pp. 519–526, 2015.
[16] A. D. Hartanto, A. Syaputra, and Y. Pristyanto, “Best parameter selection of rabin-Karp algorithm in detecting document similarity,” 2019.
[17] C.-W. Hsu, C. Chih-Chung, and C.-J. Lin, “A Practical Guide to Support Vector Classification,” BJU international, vol. 101, no. 1, pp. 1396–400, 2008.
[18] B. Max, Principles of Data Mining. London: Springer, 2007.
[19] R. Feldman and J. Sanger, The Text Mining Handbook. 2007.
Published
2021-05-30
How to Cite
Ananda, F., & Pristyanto, Y. (2021). Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 407-416. https://doi.org/https://doi.org/10.30812/matrik.v20i2.1130
Section
Articles