Komparasi Fungsi Kernel Metode Support Vector Machine untuk Analisis Sentimen Instagram dan Twitter (Studi Kasus : Komisi Pemberantasan Korupsi)

Akbar Zaiem Praghakusma, Novrido Charibaldi

Abstract


Kinerja Komisi Pemberantasan Korupsi (KPK) yang bertugas memberantas korupsi di negeri pertiwi ini, tak jarang mendapat sorotan komentar dari berbagai kalangan masyarakat. Komentar positif, negatif maupun netral menghiasi kolom komentar di twitter maupun di instagram. Karena kolom komentar di twitter dan instagram tidak dapat mengelompokkan komentar berdasarkan jenis sentimennya (positif, negatif, atau netral) maka diperlukan sebuah sistem analisis sentimen yang dapat mengolompokkan komentar berdasarkan sentimennya. Penelitian sebelumnya yang dilakukan oleh Nooraeni, dkk (2020) tentang analisis sentimen data twitter mengenai isu RUU KPK dengan metode Support Vector Machine menggunakan kernel RBF menghasilkan akurasi sebesar 81.32%, presisi sebesar 71.47%, dan recall sebesar 87.64%. Tujuan dari penelitian ini yaitu menerapkan dengan membandingkan kernel linier, kernel polinomial dan kernel sigmoid pada metode Support Vector Machine untuk klasifikasi analisis sentimen serta menghitung tingkat akurasi, presisi, dan recall pada tiga jenis kernel (kernel linier, kernel polinomial dan kernel sigmoid) untuk klasifikasi analisis sentimen. Penelitian ini menggunakan metode Support Vector Machine sebagai algoritma untuk menganalisis sentimen dengan membandingkan kinerja tiga jenis kernel (kernel linier, kernel polinomial dan kernel sigmoid) sebagai salah satu parameter yang dapat digunakan untuk meningkatkan akurasi metode Support Vector Machine. Hasil penelitian ini didapatkan bahwa kernel linier memiliki akurasi tertinggi sebesar 83.06%, presisi sebesar 91.04%, dan recall sebesar 89.70%, untuk kernel polinomial memiliki akurasi sebesar 81.45%, presisi sebesar 88.57%, dan recall sebesar 91.17% sedangkan kernel sigmoid memiliki akurasi sebesar 79.83%, presisi sebesar 91.93%, dan recall sebesar 83.82%.


Keywords


Sentimen;KPK; kernel;SVM; akurasi,

Full Text:

PDF

References


Putra, M. F., Herdiani, A., Puspandari, D., Informatika, F., & Telkom, U. (2019). Analisis Pengaruh Normalisasi , TF-IDF , Pemilihan Feature-set Terhadap Klasifikasi Sentimen Menggunakan Maximum Entropy ( Studi Kasus : Grab dan Gojek ). 6(2), 8520–8529.

Gormantara, A. (2020). Analisis Sentimen Terhadap New Normal Era di Indonesia pada Twitter Analisis Sentimen Terhadap New Normal Era di Indonesia pada Twitter Menggunakan Metode Support Vector Machine. July, 0–5.

Budi, S. (2017). Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means. Techno.Com, 16(1), 1–8. https://doi.org/10.33633/tc.v16i1.1263

H.R, R. T., Wardoyo, A. E., & Pratama, M. R. (2018). Analisis Sentimen Pada Twitter Terhadap Kinerja Komisi Pemberantasan Korupsi (KPK) di Indonesia Dengan Metode Naive Bayes. Undergraduate Thesis, UNIVERSITAS MUHAMMADIYAH JEMBER., 7(5), 842

Utami, L. D., & Wahono, R. S. (2015). Integrasi Metode Information Gain untuk Seleksi Fitur dan AdaBoost untuk Mengurangi Bias pada Analisis Sentimen Review Restoran Menggunakan Algoritma Naive Bayes. Journal of Intelligent Systems, 1(2), 120–126.

Nooraeni, R., Sariyanti, H. D., Iskandar, A. F. F., Munawwaroh, S. F., Pertiwi, S., & Ronaldias, Y. (2020). Analisis Sentimen Data Twitter Mengenai Isu RUU KPK Dengan Metode Support Vector Machine (SVM). Paradigma - Jurnal Komputer Dan Informatika, 22(1), 55–60. https://doi.org/10.31294/p.v22i1.6869

Indrayuni, E. (2018). Komparasi Algoritma Naive Bayes Dan Support Vector Machine Untuk Analisa Sentimen Review Film. Jurnal Pilar Nusa Mandiri, 14(2), 175. https://doi.org/10.33480/pilar.v14i2.918

Purnawan, I. K. (2015). Support Vector Machine Pada Information Retrieval.

Joachims, T. (2001). LEARNING TO CLASSIFY TEXT USING SUPPORT VECTOR MACHINES Methods, Theory, and Algorithms.

Diani, R., Wisesty, U. N., & Aditsania, A. (2017). Analisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker. Indonesian Journal on Computing (Indo-JC), 2(1), 109. https://doi.org/10.21108/indojc.2017.2.1.169

Suyanto. (2018). Machine Learning Tingkat Dasar dan Lanjut. Penerbit Informatika.

Hsu, C.-W., Chang, C.-C., & Lin, C.-J. (2016). A Practical Guide to Support Vector Classification. Theory, Culture and Society, 17(1), 1–16. https://doi.org/10.1177/02632760022050997

Géron, A. (2019). Hands-on ML with Scikit-Learn, Keras & TF by Aurelien Geron. O’Reilly Media, Inc.

Al-Mejibli, I. S., Alwan, J. K., & Abd, D. H. (2020). The effect of gamma value on support vector machine performance with different kernels. International Journal of Electrical and Computer Engineering, 10(5), 5497–5506. https://doi.org/10.11591/IJECE.V10I5.PP5497-5506

Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support Vector Machine –Teori dan Aplikasinya dalam Bioinformatika. Proceeding of Indonesian Scientific Meeting in Central Japan, 2003. https://doi.org/10.1109/CCDC.2011.5968300

Awad, M., & Khanna, R. (2015). Efficient learning machines: Theories, concepts, and applications for engineers and system designers. In Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers (Issue May 2016). https://doi.org/10.1007/978-1-4302-5990-9

Nanda, M. A., Seminar, K. B., Nandika, D., & Maddu, A. (2018). A comparison study of kernel functions in the support vector machine and its application for termite detection. Information (Switzerland), 9(1). https://doi.org/10.3390/info9010005

Ben-Hur, A., & Weston, J. (2010). A user’s guide to support vector machines. Methods in Molecular Biology (Clifton, N.J.), 609(June), 223–239. https://doi.org/10.1007/978-1-60327-241-4_13

Kowalczyk, A. (2017). Support Vector Machines Succintctly, Syncfusion. Succinctly E-Book Series, 114. www.syncfusion.com.

Kim, E. (2014). Everything You Wanted to Know about the Kernel Trick So , What is a Kernel Anyway ? Linear SVM , Binary Classification. 1, 1–11.

Jayanti, N. K. D. A., Novianti, K. D. P., & Sumalya, I. W. (2017). Implementasi Metode Support Vector Machine Pada Sistem Pengenalan Jejaitan. Seminar Nasional Teknologi Informasi Dan Multimedia, 163–168.




DOI: http://dx.doi.org/10.12928/jstie.v9i2.20181

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Akbar Zaiem Praghakusma, Novrido Charibaldi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Jurnal Sarjana Teknik Informatika
Organized by Informatics Department
Published by Universitas Ahmad Dahlan
Website: http://journal.uad.ac.id/index.php/JSTIF
Office: Industrial Technology Faculty, Kampus Utama UAD Jalan Ahmad Yani (Ringroad Selatan), Tamanan, Banguntapan, Bantul, Yogyakarta 55166, Indonesia
Email: herman.yuliansyah@tif.uad.ac.id || jurnalsarjana@tif.uad.ac.id


 

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.