Perbandingan Beberapa Algoritma Machine Learning Dalam Analisis Sentimen Terkait Pemilihan Presiden RI 2024
Abstract
The 2024 Presidential Election has become a hot topic among the Indonesian community. People often share their opinions and criticisms openly on social media, such as Twitter or X, leading to debates among the public in supporting a presidential candidate. These debates often result in various public comments that are positive, neutral, or negative. Sentiment analysis is used as a method to analyze public opinions and comments using machine learning algorithms. The purpose of this research is to compare the accuracy levels of the Support Vector Machine, Naive Bayes, and Decision Tree algorithms. This research uses a dataset from Twitter, which will go through stages of data merging, text preprocessing, translation, labeling, and algorithm classification. The results of this research show that the Support Vector Machine algorithm has a higher accuracy rate than the other two algorithms, with an accuracy rate of 81.49%.
Keywords: Election 2024; Sentiment Analysis; Support Vector Machine; Naive Bayes; Decision Tree.
Abstrak
Pemilihan Presiden 2024 menjadi topik yang hangat dikalangan masyarakat indonesia, masyarakat sering membagikan pendapat dan kritik secara terbuka dimedia sosial twitter atau X, yang menyebabkan subjek perdebatan bagi masyarakat dalam mendukung salah satu kandidat presiden, dampak dari perdebatan ini sering memunculkan berbagai komentar masyarakat yang bersifat positif, netral maupun negatif. Analisis sentimen digunakan sebagai metode untuk menganalisis tentang pendapat dan komentar masyarakat dengan penggunaan algoritma machine learning. Tujuan dari penelitian ini dilakukan untuk membandingkan tingkat akurasi dari algoritma Support Vector Machine, Naive Bayes dan Decision Tree, penelitian ini menggunakan dataset dari twitter yang akan diproses melalui tahapan penggabungan data, preprocessing text, translate, pelabelan dan klasifikasi algoritma. Hasil dari penelitian ini menunjukan bahwa algoritma Support Vector Machine memiliki tingkat akurasi yang lebih tinggi dari kedua algoritma lainnya dengan nilai akurasi 81.49%.
Keywords
References
N. A. Kurniawati, A. Karim, and Ghufron, “RUANG PUBLIK VIRTUAL TWITTER PADA AKUN @ Pemkotbpn SEBAGAI ALAT KONTROL PUBLIK,” eJournal Ilmu Komun., vol. 6, no. 3, pp. 333–347, 2018.
R. Vindua and A. U. Zailani, “Analisis Sentimen Pemilu Indonesia Tahun 2024 Dari Media Sosial Twitter Menggunakan Python,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 2, pp. 479–487, 2023, doi: 10.30865/jurikom.v10i2.5945.
O. Manullang and C. Prianto, “Analisis Sentimen dalam Memprediksi Hasil Pemilu Presiden dan Wakil Presiden : Systematic Literature Review,” J. Inform. dan Teknol. Komput., vol. 04, no. 02, pp. 104–113, 2023.
H. Utami, “Analisis Sentimen dari Aplikasi Shopee Indonesia Menggunakan Metode Recurrent Neural Network,” Indones. J. Appl. Stat., vol. 5, no. 1, pp. 31–38, 2022, doi: 10.13057/ijas.v5i1.56825.
R. R. Sani, Y. A. Pratiwi, S. Winarno, E. D. Udayanti, and F. AlZami, “Analisis Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Hoax pada Berita Online Indonesia,” J. Masy. Inform., vol. 13, no. 2, pp. 85–98, 2022, doi: 10.14710/jmasif.13.2.47983.
R. A. Putri and N. S. Fatonah, “Perbandingan Metode Klasifikasi serta Analisis Faktor Akademis Pola Kelulusan Mahasiswa di Perguruan Tinggi,” J. Inform. J. Pengemb. IT, vol. 7, no. 2, pp. 109–117, 2022, doi: 10.30591/jpit.v7i2.3082.
M. A. Saddam, E. Kurniawan D, and Indra, “Analisis Sentimen Fenomena PHK Massal Menggunakan Naive Bayes dan Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 226–233, 2023, doi: 10.30591/jpit.v8i3.4884.
C. A. A. Soemedhy, N. Trivetisia, N. A. Winanti, D. P. Martiyaningsih, T. W. Utami, and S. Sudianto, “Analisis Komparasi Algoritma Machine Learning untuk Sentiment Analysis (Studi Kasus: Komentar YouTube ‘Kekerasan Seksual’),” J. Inform. J. Pengemb. IT, vol. 7, no. 2, pp. 80–84, 2022, doi: 10.30591/jpit.v7i2.3547.
M. Syarifuddin, “Analisis Sentimen Opini Publik Terhadap Efek Psbb Pada Twitter Dengan Algoritma Decision Tree-Knn-Naïve Bayes,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 87–94, 2020, doi: 10.33480/inti.v15i1.1433.
M. Nashrullah, O. Maharani, A. Rohman, E. F. Fahyuni, Nurdyansyah, and R. S. Untari, Metodologi Penelitian Pendidikan (Prosedur Penelitian, Subyek Penelitian, Dan Pengembangan Teknik Pengumpulan Data). Sidoarjo: UMSIDA Press, 2023. doi: 10.21070/2023/978-623-464-071-7.
R. Ramlan, N. Satyahadewi, and W. Andani, “Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga BBM,” Jambura J. Math., vol. 5, no. 2, pp. 431–445, 2023, doi: 10.34312/jjom.v5i2.20860.
S. Khairunnisa, Adiwijaya, and S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” J. Media Inform. Budidarma, vol. 5, no. 2, pp. 406–414, 2021, doi: 10.30865/mib.v5i2.2835.
I. S. Thalib, S. K. Gusti, F. Yanto, and M. Affandes, “Klasifikasi Sentimen Tragedi Kanjuruhan Pada Twitter Menggunakan Algoritma Naïve Bayes,” J. Sist. Komput. dan Inform., vol. 4, no. 3, pp. 467–473, 2023, doi: 10.30865/json.v4i3.5852.
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, pp. 650–658, 2020, doi: 10.30865/mib.v4i3.2181.
A. Sabrani, I. G. W. W. W., and F. Bimantoro, “Metode Multinomial Naïve Bayes Untuk Klasifikasi Artikel Online Tentang Gempa Di Indonesia,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 2, no. 1, pp. 89–100, 2020, doi: 10.29303/jtika.v2i1.87.
C. Cahyaningtyas, Y. Nataliani, and I. R. Widiasari, “Analisis Sentimen Pada Rating Aplikasi Shopee Menggunakan Metode Decision Tree Berbasis SMOTE,” Aiti, vol. 18, no. 2, pp. 173–184, 2021, doi: 10.24246/aiti.v18i2.173-184.
A. Fitriadin and A. S. Purnomo, “Analisis Sentimen Masyarakat Terhadap Pandemi Covid-19 Pada Sosial Media Menggunakan Naïve Bayes Clasifier,” INFORMAL Informatics J., vol. 8, no. 1, pp. 51–57, 2023, doi: 10.19184/isj.v8i1.33937.
M. M. Khoirudin, Wiranto, and Winarno, “News Opinion Mining around Universitas Sebelas Maret Using Naive Bayes Algorithm,” ITSMART J. Ilm. Teknol. dan Inf., vol. 7, no. 1, pp. 44–50, 2018.
How To Cite This :
Refbacks
- There are currently no refbacks.
