Perbandingan Metode Decision Tree Dan Support Vector Machine Untuk Analisis Sentimen Pada Instagram Mengenai Kinerja Pssi

Abstract

Abstrak Pada tahun 2018 hingga pertengahan tahun 2019 ramai dibicarakan mengenai permasalahan sepak bola Indonesia yang berujung kekecewaan masyarakat terhadap persatuan sepak bola seluruh Indonesia (PSSI) tetapi pada akhir tahun 2019 PSSI membuktikan kinerjanya dan mendapatkan prestasi, dengan kondisi tersebut dipastikan banyak opini masyarakat akan bermacam-macam terhadap PSSI pada media sosial. Dari banyaknya opini tersebut akan menjadi sebuah data yang bisa menentukan kepuasan masyarakat terhadap kinerja PSSI apakah hasilnya cenderung postif atau negatif dengan cara melakukan sentimen analisis. Untuk meunujang sentimen analisis diperlukan Algoritma klasifikasi, algoritma pada penelitian ini menggunakaan Decision Tree dan Support Vector Machine. Hasil komposisi data terbaik untuk melakukan pengujian adalah 80%:20% dengan mendapatkan hasil nilai akurasi 87.45%, precison 87.72%, recall 91.74% dan F1-Score 89.69% pada Decision Tree dengan TF-IDF sedangkan untuk Support Vector Machine dengan TF-IDF komposisi data terbaik adalah 80%:20% mendapatkan hasil nilai akurasi akurasi 94.36%, precison 96.78%, recall 94.30% dan F1-Score 95.53%. Maka pada kasus ini sentiment analisis pada komentar instagram akan lebih baik jika menggunakan Support Vector Machine (SVM) dengan TFIDF. Kata kunci: decision tree, support vector machine, PSSI, term weighting Abstract In 2018 until mid-2019 there were many discussions about the problem of Indonesian football which led to public disappointment with the football association of Indonesia (PSSI) but at the end of 2019 PSSI proved its performance and gained achievements, with these conditions it is certain that many opinions about PSSI will vary on social media. From the many opinions, it will become data that can determine public satisfaction with PSSI's performance whether the results tend to be positive or negative by conducting sentiment analysis. To support the sentiment analysis, a classification algorithm is needed. The algorithm in this study uses a Decision Tree and a Support Vector Machine. The results of the best data composition for testing are 80%: 20% by getting an accuracy value of 87.45%, 87.72% precison, 91.74% recall and 89.69% F1-Score on the Decision Tree with TF-IDF while for Support Vector Machine with TF-IDF The best data composition is 80%: 20% get an accuracy value of 94.36% accuracy, 96.78% precison, 94.30% recall and 95.53% F1-score. So in this case the sentiment analysis on instagram comments would be better if you use the Support Vector Machine (SVM) with TF-IDF. Keywords: decision tree, support vector machine, PSSI, term weighting