Sentiment Analysis On Youtube Comments To Find Out Public Views Towards Indonesian Presidential Candidates 2024 Using Support Vector Algorithm Machine
Abstract
— Analisis sentimen merupakan metode penting dalam memahami pandangan dan opini masyarakat terhadap suatu peristiwa atau entitas. Dalam konteks pemilihan presiden 2024 di Indonesia, analisis sentimen menjadi krusial untuk memahami dukungan dan pendapat masyarakat. Dalam penelitian ini, peneliti menggunakan metode Support Vector Machine (SVM) untuk melakukan analisis sentimen terhadap komentar masyarakat pada platform YouTube terkait pemilihan presiden 2024. Tahapan analisis dimulai dengan preprocessing, termasuk langkah-langkah seperti tokenisasi, normalisasi, penghapusan stop words, dan lemmatisasi. Selanjutnya, data dibagi menjadi 70% untuk training dan 30% untuk testing. Peneliti melakukan grid search untuk menentukan parameter terbaik untuk model SVM, seperti kernel dan parameter C. Label yang dianalisis terdiri dari positif, negatif, dan netral, yang merepresentasikan sentimen komentar masyarakat terhadap calon presiden. Hasil penelitian menunjukkan bahwa model SVM mampu mengklasifikasikan sentimen komentar dengan akurasi yang memuaskan setelah dilakukan grid search untuk penentuan parameter terbaik. Model Anies dan Prabowo menunjukkan performa yang sangat baik dengan nilai precision, recall, dan F1-score yang tinggi untuk semua label sentimen, yaitu sekitar 94%, 92%, dan 93% untuk Anies, serta sekitar 96%, 97%, dan 96% untuk Prabowo. Sedangkan model Ganjar memiliki performa yang lebih rendah dengan precision sekitar 83%, recall sekitar 80%, dan F1-score sekitar 81%.
Kata kunci— Pemilihan Presiden; Analisis Sentimen; Support Vector Machine; YouTube; Vader Lexicon, grid search
References
Abdillah, W. F., Premana, A., & Bhakti, R. M. H. (2021). Analisis Sentimen Penanganan Covid-19 dengan Support Vector Machine: Evaluasi Leksikon dan Metode
Ekstraksi Fitur. Jurnal Ilmiah Intech : Information Technology Journal of UMUS, 3(02), 160–170. https://doi.org/10.46772/INTECH.V3I02.556
Amrizal, V. (2018). PENERAPAN METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN COSINE SIMILARITY PADA SISTEM TEMU KEMBALI
INFORMASI UNTUK MENGETAHUI SYARAH HADITS BERBASIS WEB (STUDI KASUS: HADITS SHAHIH BUKHARI-MUSLIM). JURNAL TEKNIK INFORMATIKA, 11(2), 149–
https://doi.org/10.15408/jti.v11i2.8623
Boyd, D. M., & Ellison, N. B. (2007). Social network sites: Definition, history, and scholarship. Journal of ComputerMediated Communication, 13(1), 210–230.
https://doi.org/10.1111/j.1083-6101.2007.00393.x
Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). New Avenues in Opinion Mining and Sentiment Analysis. http://converseon.com
Chen, W. H., Hsu, S. H., & Shen, H. P. (2005). Application of SVM and ANN for intrusion detection. Computers and Operations Research, 32(10), 2617–2634.
https://doi.org/10.1016/j.cor.2004.03.019
Cortes, C., Vapnik, V., & Saitta, L. (1995). Support-Vector Networks Editor. In Machine Leaming (Vol. 20). Kluwer Academic Publishers.
Darwis, D., Shintya Pratiwi, E., Ferico, A., & Pasaribu, O. (2020). PENERAPAN ALGORITMA SVM UNTUK ANALISIS SENTIMEN PADA DATA TWITTER KOMISI
PEMBERANTASAN KORUPSI REPUBLIK INDONESIA. In Jurnal Ilmiah Edutic (Vol. 7, Issue 1). dqlab. (2021, July 21). Tahapan Text Preprocessing dalam Teknik
Pengolahan Data. https://dqlab.id/tahapan-textpreprocessing-dalam-teknik-pengolahan-data
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases) (© AAAI) (Vol. 17). www.ffly.com/
Fitriana, D. N., & Sibaroni, Y. (2020). Sentiment Analysis on KAI Twitter Post Using Multiclass Support Vector Machine (SVM). Accredited by National Journal
Accreditation, 4(2), 846–853. http://jurnal.iaii.or.id
Huang, J., Lu, J., & Ling, C. X. (2003). Comparing Naive Bayes, Decision Trees, and SVM with AUC and Accuracy.
Kietzmann, J. H., Hermkens, K., McCarthy, I. P., & Silvestre, B. S. (2011). Social media? Get serious! Understanding the functional building blocks of social media.
Business Horizons, 54(3), 241–251. https://doi.org/10.1016/j.bushor.2011.01.005
Lutfi, A. A., Permanasari, A. E., & Fauziati, S. (2018). Sentiment Analysis in the Sales Review of Indonesian Marketplace by Utilizing Support Vector Machine. Journal
of Information Systems Engineering and Business Intelligence, 4(1), 57. https://doi.org/10.20473/jisebi.4.1.57-64
Munawaroh, K., & Alamsyah, A. (2022). Performance Comparison of SVM, Naïve Bayes, and KNN Algorithms for Analysis of Public Opinion Sentiment Against
COVID-19 Vaccination on Twitter. Journal of Advances in Information Systems and Technology, 4(2), 113–125. https://doi.org/10.15294/JAIST.V4I2.59493
Narkhede, S. (2018, May 9). Understanding Confusion Matrix | by Sarang Narkhede | Towards Data Science. https://towardsdatascience.com/understanding-
confusionmatrix-a9ad42dcfd62
Nurul Hassanah, I., Faisal, S., Mutoi Siregar, A., Buana Perjuangan Karawang Jl HSRonggo Waluyo, U., Timur, T., & Barat, J. (2023). PERBANDINGAN ALGORITMA
SUPPORT VECTOR MACHINE DENGAN DECISION TREE PADA APLIKASI RUANG GURU.
Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. In Foundations and Trends in Information Retrieval (Vol. 2, Issue 2).
Syahputra, R., Yanris, G. J., & Irmayani, D. (2022). SVM and Naïve Bayes Algorithm Comparison for User Sentiment Analysis on Twitter. Sinkron : Jurnal Dan
Penelitian Teknik Informatika, 7(2), 671–678. https://doi.org/10.33395/SINKRON.V7I2.11430
Vijayarani, S., Dhayanand, M. S., & Research Scholar, M. P. (2015). KIDNEY DISEASE PREDICTION USING SVM AND ANN ALGORITHMS. International Journal of
Computing and Business Research, 6(2).
Yasodha, S., & Prakash, P. S. (2012). Data Mining Classification Technique for Talent Management using SVM.
