Analisis Sentimen Tentang Mobil Listrik Dengan Metode Support Vector Machine Dan Feature Selection Particle Swarm Optimization
DOI:
https://doi.org/10.37366/jpcs.v2i1.1084Keywords:
Analisis Sentimen, Text Mining, Support Vector Machine, Particle Swarm Optimization, Mobil ListrikAbstract
Analisis sentimen twitter merupakan teknik untuk mengidentifikasi sentimen atau pendapat dalam tweet dan kemudian mengategorikannya ke dalam tweet positif atau tweet negatif salah satu topik yang dibahas pada social media twitter adalah mobil listrik, mobil listrik memiliki beberapa kelebihan dibandingkan dengan mobil bahan bakar fosil. Mobil listrik ini menuai banyak komentar dari masyarakat sehingga menimbulkan pro dan kontra di sosial media twitter. Penelitian ini dilakukan tujuannya untuk mengetahui pendapat masyarakat terhadap mobil listrik. Apakah pendapat tersebut lebih mengarah ke positif atau negatif dan untuk mengetahui nilai accuracy, AUC dari penggunaan metode Support Vector Machine dan feature selection Particle Swarm Optimization pada Software RapidMiner Studio. di dalam penelitian ini dapat diketahui bahwa 94,25% pengguna twitter setuju dan 5,75% pengguna twitter tidak setuju terhadap kehadiran mobil listrik. Penggunaan feature selection Particle Swarm Optimization pada metode support vector machine untuk menganalisis sentimen masyarakat mengenai mobil listrik dapat meningkatkan nilai accuracy dan AUC. Dimana nilai accuracy yang awalnya sebesar 82,51% menjadi 86,07%, terjadi kenaikan sebesar 3,56%. Sedangkan nilai AUC yang awalnya sebesar 0,844 menjadi 0,862 terjadi kenaikan sebesar 2,13%.
Kata kunci: Analisis Sentimen, Text Mining, Support Vector Machine, Particle Swarm Optimization, Mobil Listrik.
Downloads
References
Aziz, M., Marcellino, Y., Rizki, I. A., Ikhwanuddin, S. A., & Simatupang, J. W. (2020). Studi Analisis Perkembangan Teknologi Dan Dukungan Pemerintah Indonesia Terkait Mobil Listrik. TESLA: Jurnal Teknik Elektro, 22(1), 45. https://doi.org/10.24912/tesla.v22i1.7898
Fitri, E., Yuliani, Y., Rosyda, S., & Gata, W. (2020). Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine. Jurnal Transformatika, 18(1), 71–80. https://doi.org/10.26623/transformatika.v18i1.2317
Fitriyah, N., Warsito, B., & Maruddani, D. A. I. (2020). Analisis Sentimen Gojek Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (SVM). Jurnal Gaussian, 9(3), 376–390. https://doi.org/10.14710/j.gauss.v9i3.28932
Risawati, R., Ernawati, S., & Maryani, I. (2020). Optimasi Parameter Pso Berbasis Svm Untuk Analisis Sentimen Review Jasa Maskapai Penerbangan Berbahasa Inggris. EVOLUSI : Jurnal Sains Dan Manajemen, 8(2), 64–71. https://doi.org/10.31294/evolusi.v8i2.9248
Setyono, A. E., & Kiono, B. F. T. (2021). Dari Energi Fosil Menuju Energi Terbarukan: Potret Kondisi Minyak dan Gas Bumi Indonesia Tahun 2020 – 2050. Jurnal Energi Baru Dan Terbarukan, 2(3), 154–162. https://doi.org/10.14710/jebt.2021.11157
Sodik, F., & Kharisudin, I. (2021). Analisis Sentimen dengan SVM , NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter. Prisma, 4, 628–634.
Taufiq, A., Studi, P., Informatika, T., Bangsa, U. P., & Sentimen, A. (2020). Analisis Sentimen Terhadap Pemindahan Ibu Kota Pada Media Sosial Twitter Menggunakan Algoritma Naïve Bayes Berbasis Particle Swarm Optimization, 10, 173–182.
Tineges, R., Triayudi, A., & Sholihati, I. D. (2020). Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM). Jurnal Media Informatika Budidarma, 4(3), 650. https://doi.org/10.30865/mib.v4i3.2181
Tuhuteru, H., & Iriani, A. (2018). Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier. Jurnal Informatika: Jurnal Pengembangan IT, 3(3), 394–401. https://doi.org/10.30591/jpit.v3i3.977
.png)
