Perbandingan Algoritma Cnn Dan Svm Untuk Analisis Sentimen Mengenai Kenaikan Harga Bahan Bakar Minyak
Abstract
Opini-opini maupun keluhan masyarakat yang disampaikan melalui tweet dapat diolah untuk mengetahui sentimen yang ada di dalam tweet tersebut. Pada penelitian ini dilakukan analisis sentimen menggunakan machine learning. Penggunaan machine learning ini dapat mempermudah saat pengambilan data dan pemrosesan data, yang tidak memerlukan banyak waktu dan biaya. Proses klasifikasi data tweet yang dilakukan dalam penelitian ini yaitu data yang mengandung sentimen positif dan sentimen negatif mengenai kebijakan pemerintah yaitu kenaikan harga bahan bakar minyak (BBM). Metode klasifikasi yang digunakan untuk penelitian ini menggunakan Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Untuk pengambilan data tweet menggunakan metode crawling. Hasil yang didapatkan dari penelitian dengan melakukan evaluasi menggunakan Confusion Matrix mendapatkan bahwa algoritma SVM mendapatkan nilai akurasi yang cukup tinggi sebesar 85% dengan menggunakan max features 510 dan rasio 80:20 dibandingkan dengan algoritma CNN yang memiliki nilai akurasi tertingginya di angka 74% menggunakan nilai max features 300 dan rasio 80:20. Untuk nilai penggunaan cross fold validation CNN mendapatkan nilai rata-rata akurasi tertingginya 78% dengan k=10 sedangkan SVM 87%.
Kata Kunci: analisis sentimen, pembelajaran mesin, CNN, SVM, twitter, sosial media
References
Coletta, L.F.S.=Combining Classification and Clustering
for Tweet Sentiment Analysis=, 2014. Brazilian Conference
on Intelligent Systems. IEEE, pp.210-215
Prasetiarini, T.A., Ermawati, I. & Chamidah, N.
Metode Support Vector Machine(SVM)(Studi Kasus:
maskapai Penerbangan PT Garuda Indonesia
(PERSERO)TBK)=,2020.
Mp. Dosen Fakultas Ilmu Tarbiyah dan Keguruan UIN
Maulana Malik Ibrahim Malang,
METODE PENELITIAN KUALITATIF,= 2017.
Luqyana, W.A., Cholissodin, I. & Perdana, R.S.
Instagram Dengan Metode Klasifikasi Support Vector
Machine=,2018.
Britz, D.
Network for NLP=,2015.
R, K, Kaliyar, A. Goswami, P. Narang, and S. Sinha,
news detection.
doi: 10.1016/j.cogsys.20019.12.005.
Santoso, V.I., Virginia, G. & Lukiko, Y.
Sentiment Analysis pada Hasil Evaluasi Dosen Dengan
Metode Support Vector Machine=, 2017. Jurnal
Transformatika 14(2), 72.
Wibowo, B.A.
Metode Deep Learning Menggunakan Algoritma
Convolutional Neural Network Pada Pilpres 2019=,2020.
Saragih, P.S., Witarsyah, D. & hamami, F.
Sentimen pada Media Sosial Twitter Menggunakan
Algoritma SVM (Studi Kasus: PSBB pada Masa Pandemik
Covid-19 Di Provinsi DKI Jakarta=,2021.
Nasukawa, T. & Yi, J.
Favorability Using Natural Language Processing=,2003.
Proceedings of the 2nd International Conference on
Knowledge Capture,pp. 20-77
Nugroho, A.S.
Machine=,2007. Hitech Research (HRC) from Ministry of.
Educatio, Culture, Sports, Science and Technology. Nagoya
Inst of Technology, Japan.
Mayer, D.
Research An Academic Publisher, e1071.
Yuliska., Hidayatul, D., Lubis, J.H., Syaliman, K.U. &
Najwa N.F. < Analisis Sentimen pada Data Mahasiswa
Terhadap kinerja Departemen Di perguruan Tinggi
Menggunakan Convolutional Neural Network=, 2021. Jurnal
teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 8, no 5.
Kim, Y.
classification=,2014. EMPL 2014 - 2014 Conferences on
Empirical Methods in Natural Language Processing,
Proceedings of the conference. hal. 1746-1751.
Giummole, F., Orlando, S. & Tolomei.
Topics on Twitter Improve the Prediction of Google Hot
Queries=,2013. International Conference on Social
Computing. IEEE,pp. 39-44
Sartini.
Menggunakan Algoritma Convolutional Neural
Network=,2020
