Sentimen Analisis Penerapan Social Distancing Menggunakan Feature Selection Pada Algoritma Support Vector Machine

Abstract

“Social Distancing” atau dalam kata lain mengurangi interaksi sosial dengan orang lain sangat berpotensi dalam menyelamatkan kehidupan jutaan orang di masa pandemic COVID-19. Anjuran pemerintah kepada masyarakat untuk penerapan social distancing tak lepas dari pendapat atau opini pengguna sosial media yang salah satunya disuarakan melalui twitter. Salah satu metode atau teknik untuk mengelompokkan kategori opini atau pendapat dari pengguna sosial media adalah sentiment analyst. Penelitian ini menggunakan dataset yang di crawling dari twitter dengan kata kunci “Social Distancing”. Data hasil crawling tersebut diolah menggunakan model algoritma SVM dengan penambahan feature selection Weight by Correlation. Penelitian ini membandingkan hasil cross validation algoritma SVM tanpa feature selection dan algoritma SVM dengan feature selection. Hasil cross validation SVM tanpa feature selection menunjukkan nilai accuracy sebesar 67,00% dan nilai AUC sebesar 0,709. Sedangkan hasil cross validation algoritma SVM dengan feature selection menunjukkan nilai accuracy sebesar 70,33% dan nilai AUC sebesar 0,838. Dari kedua model tersebut diketahui bahwa penggunaan feature selection Weight by Correlation dapat meningkatkan nilai Accuracy dan nilai AUC. Sehingga dapat disimpulkan bahwa penambahan feature selection Weight by Corellation sangat baik apabila digunakan pada algoritma Support Vector Machine (SVM) karena dapat menghasilkan nilai akurasi dan nilai AUC yang lebih tinggi.