PENERAPAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PENGGUNA TWITTER
DOI:
https://doi.org/10.24076/joism.2021v3i2.558Keywords:
Python, Penambangan Teks, Support Vector Machine, Analisis Sentimen, Kecerdasan BuatanAbstract
Twitter merupakan salah satu media sosial yang digunakan untuk menyampaikan pendapat dan mendiskusikan berbagai topik seputar. Salah satu topik yang sering dibahas adalah marketplace. Bukalapak merupakan salah satu marketplace terpopuler di Indonesia. Bukalapak memberikan penggunanya kemampuan untuk melakukan transaksi dengan cepat dan aman. Tanggapan yang diberikan oleh pengguna tersebut dapat berupa tanggapan positif, negatif dan netral. Oleh karena itu diperlukan suatu metode yang dapat digunakan untuk mengetahui pendapat pengguna Bukalapak di media sosial Twitter. Untuk mengatasi masalah ini, diperlukan suatu metode yang dapat mengkategorikan pendapat-pendapat tersebut. Support Vector Machines merupakan salah satu metode penggalian teks yang dapat mengkategorikan opini tersebut. Data yang diperoleh dari Twiiter akan diberi label dan dianalisis menggunakan metode SVM untuk mengklasifikasikan opini-opini tersebut. Hasil klasifikasi menggunakan metode SVM diperoleh tingkat akurasi sebesar 93%.
Downloads
References
R. Feldman dan J. Sanger , "The text mining handbook: advanced approaches in analyzing unstructured data," Cambridge university press, 2007.
B. Liu, "Sentiment Analysis and Subjectivity," Handbook of Natural Language Processing, vol. 2, pp. 627-666, 2010.
Y. Marchel dan J. Nasri, "Perbandingan Tingkat Akurasi Support Vector Machine Dengan Naive Bayes Pada Studi Kasus Okupansi Lahan Berdasarkan Kondisi Cuaca," eProceedings of
Engineering,, vol. 20, 2017.
J. Han, M. Kamber dan J. Pei, Data mining: concepts and techniques, Elsevier, 2011.
R. E. Setyaningsih, "Part of Speech Tagger Untuk Bahasa Indonesia Dengan Menggunakan Modifikasi Brill," Dinamika Teknologi, vol. 9, no. 1, p. 37, 2017.
Suyanto. Data Mining Untuk Klasifikasi dan Klasterisasi Data, Bandung: Informatika Bandung, 2017.
J. Friedman, T. Hastie dan R. Tibshirani, The elements of statistical learning (Vol. 1), Springer, Berlin: Springger Series in Statistics, 2001.
G. Salton, Automatic text processing: the transformation, analysis, and retrieval of, Addison-Wesley , 1989.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.