Perbandingan Analisis Sentimen Presiden 2024 Menggunakan Algoritma Support Vector Machine dan K-Nearest Neighbor
DOI:
https://doi.org/10.24114/cess.v10i1.65928Keywords:
Analisis Sentimen; Support Vector Machine; K-Nearest Neighbor; Presiden 2024Abstract
Di era digital, media sosial menjadi wadah utama bagi masyarakat untuk menyampaikan opini mereka terhadap berbagai isu, termasuk Pemilihan Presiden 2024 di Indonesia. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap pasangan calon "Prabowo-Gibran" berdasarkan 944 tweet yang dikumpulkan selama periode Maret hingga Mei 2024. Metode klasifikasi sentimen yang digunakan dalam penelitian ini adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dengan tujuan untuk membandingkan tingkat akurasi kedua algoritma tersebut dalam mengklasifikasikan sentimen publik. Dataset yang digunakan dibagi menjadi dua bagian, yaitu 80% untuk pelatihan dan 20% untuk pengujian. Model KNN diterapkan dengan jumlah tetangga terdekat sebanyak lima (k=5) menggunakan KNeighborsClassifier(n_neighbors=5), sedangkan model SVM menggunakan kernel linear untuk memisahkan data sentimen. Proses analisis dilakukan menggunakan Python dan Google Colab, mencakup tahapan seperti pelabelan data, preprocessing teks, dan ekstraksi fitur. Evaluasi model dilakukan menggunakan Confusion Matrix, yang mengukur akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki tingkat akurasi sebesar 52%, sedangkan KNN hanya mencapai akurasi 51% berdasarkan 189 sampel data uji. Temuan ini mengindikasikan bahwa SVM lebih efektif dibandingkan KNN dalam mengklasifikasikan sentimen publik terkait Pemilihan Presiden 2024 di Indonesia. Meskipun demikian, akurasi yang diperoleh masih tergolong rendah, sehingga penelitian lebih lanjut diperlukan untuk meningkatkan performa model, misalnya dengan optimasi parameter, peningkatan kualitas dataset, atau penerapan teknik machine learning yang lebih canggih.References
[1] M. I. Petiwi, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode Naïve Bayes dan Support Vector Machine,” Jurnal Media Informatika Budidarma, vol. 6, no. 1, p. 542, 2022, doi: 10.30865/mib.v6i1.3530.
[2] L. A. Susanto, “Komparasi Model Support Vector Machine Dan K-Nearest Neighbor Pada Analisis Sentimen Aplikasi Polri Super App,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, 2024, doi: 10.23960/jitet.v12i2.4152.
[3] W. P. Ali, “Analisis Sentimen Masyarakat Terhadap Kinerja Presiden Indonesia Dalam Aspek Ekonomi, Kesehatan, dan Pembangunan Berdasarkan Opini dari Twitter,” e-Proceeding of Engineering, vol. 6, no. 2, pp. 8637–8649, 2019.
[4] P. S. Ayu, “Analisakompetitifsosialmediamenggunakanmetodeklasifikasi naive bayesdan supportvector machine,” Institut Teknologi Sepuluh Nopember, vol. SS 141501, no. 1, pp. 1–50, 2018.
[5] M. Furqan and A. F. A. Nasir, “Big Data Approach To Sentiment Analysis in Machine Learning-Based Microblogs: Perspectives of Religious Moderation Public Policy in Indonesia,” Journal of Applied Engineering and Technological Science, vol. 5, no. 2, pp. 955–965, 2024, doi: 10.37385/jaets.v5i2.4498.
[6] M. Frananda Adiezwara Ramadhan, I. Rizal Setiawan, and A. Asriyanik, “Klasifikasi Hoax Dan Fakta Menggunakan Algoritma Shallow Neural Network Pada Berita Politik Pemilihan Presiden Indonesia 2024,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 4, pp. 8006–8013, 2024, doi: 10.36040/jati.v8i4.10621.
[7] N. Fathirachman Mahing, A. Lazuardi Gunawan, A. Foresta Azhar Zen, F. Abdurrachman Bachtiar, and S. Agung Wicaksono, “Klasifikasi Tingkat Stress dari Data Berbentuk Teks dengan Menggunakan Algoritma Support Vector Machine (SVM) dan Random Forest,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 7, pp. 1527–1536, 2023, doi: 10.25126/jtiik.1078010.
[8] N. Puspitasari, R. Rosmasari, F. W. Pratama, and H. Sulastri, “Quality Classification of Palm Oil Varieties Using Naive Bayes Classifier,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 13, no. 1, pp. 11–23, May 2022, doi: 10.31849/digitalzone.v13i1.9773.
[9] A. Baita and N. Cahyono, “Analisis Sentimen Mengenai Vaksin Sinovac Menggunakan Algoritma Support Vector Machine (Svm) Dan K-Nearest Neighbor (Knn),” Infos, vol. 4, no. 2, pp. 42–42, 2021.
[10] M. Furqan, S. Mayang Sari, and P. Ilmu Komputer Fakultas Sains dan Teknologi, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia Sentiment Analysis using K-Nearest Neighbor towards the New Normal During the Covid-19 Period in Indonesia,” 2022. [Online]. Available: www.tripadvisor.com
[11] R. Sari, “Analisis Sentimen Pada Review Objek Wisata Dunia Fantasi Menggunakan Algoritma K-Nearest Neighbor (K-Nn),” EVOLUSI : Jurnal Sains dan Manajemen, vol. 8, no. 1, pp. 10–17, 2020, doi: 10.31294/evolusi.v8i1.7371.
[12] R. Azhar, A. Surahman, and C. Juliane, “Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes,” Jurnal Sains Komputer & Informatika (J-SAKTI, vol. 6, no. 1, pp. 267–281, 2022.
[13] O. Abiola, A. Abayomi-Alli, O. A. Tale, S. Misra, and O. Abayomi-Alli, “Sentiment analysis of COVID-19 tweets from selected hashtags in Nigeria using VADER and Text Blob analyser,” Journal of Electrical Systems and Information Technology, vol. 10, no. 1, 2023, doi: 10.1186/s43067-023-00070-9.
[14] Alfandi Safira and F. N. Hasan, “Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier,” ZONAsi: Jurnal Sistem Informasi, vol. 5, no. 1, pp. 59–70, 2023, doi: 10.31849/zn.v5i1.12856.
[15] F. Novianti and K. R. N. Wardani, “Analisis Sentimen Masyarakat Terhadap Data Tweet Traveloka Selama Rapid Test Antigen Menggunakan Algoritma Naïve Bayes,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 8, no. 3, pp. 922–933, 2023, doi: 10.29100/jipi.v8i3.3973.
[16] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 5, no. 2, pp. 697–711, 2021.
[17] S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 153–160, 2023, doi: 10.57152/malcom.v3i2.897.
[18] R. Soelistijadi et al., “Pemodelan Prediktif Menggunakan Metode Ensemble Learning XGBoost dalam Peningkatan Akurasi Klasifikasi Penyakit Ginjal,” vol. 5, no. 4, pp. 1866–1875, 2024.
