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

Siti Nurhasanah Nugraha, Tri Rivanie, Sri Rahayu, Windu Gata, Rangga Pebrianto

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.

Keywords


sentimen analisis, social distancing, feature selection, SVM

Full Text:

PDF

References


Achyani, Y. E. (2018). Penerapan Metode Particle Swarm Optimization Pada Optimasi Prediksi Pemasaran Langsung. Jurnal Informatika, 5(1), 1–11. https://doi.org/10.31311/ji.v5i1.2736

Anderson, R. M., Heesterbeek, H., Klinkenberg, D., & Hollingsworth, T. D. (2020). How will country-based mitigation measures influence the course of the COVID-19 epidemic? The Lancet, 395(10228), 931–934. https://doi.org/10.1016/S0140-6736(20)30567-5

Andilala, A. (2016). Movie Review Sentimen Analisis Dengan Metode Naïve Bayes Base on Feature Selection. Pseudocode, 3(1), 1–9. https://doi.org/10.33369/pseudocode.3.1.1-9

Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter. Integer Journal Maret, 1(1), 32–41. Retrieved from https://www.researchgate.net/profile/Ghulam_Buntoro/publication/316617194_Analisis_Sentimen_Calon_Gubernur_DKI_Jakarta_2017_Di_Twitter/links/5907eee44585152d2e9ff992/Analisis-Sentimen-Calon-Gubernur-DKI-Jakarta-2017-Di-Twitter.pdf

Documentation, R. (2019). Weight by Correllation. Retrieved April 25, 2020, from https://docs.rapidminer.com/latest/studio/operators/modeling/f%0Aeature_weights/weight_by_correlation.html

Ferguson, N. M., Laydon, D., Nedjati-Gilani, G., Imai, N., Ainslie, K., Baguelin, M., … Ghani, A. C. (2020). Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand. Imperial.Ac.Uk, (March), 3–20. https://doi.org/10.25561/77482

Fikriya, Z. A., Irawan, M. I., & Soetrisno., S. (n.d.). Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital. Retrieved from http://ejurnal.its.ac.id/index.php/sains_seni/article/view/21754

Haddi, E., Liu, X., & Shi, Y. (2013). The role of text pre-processing in sentiment analysis. Procedia Computer Science, 17, 26–32. https://doi.org/10.1016/j.procs.2013.05.005

Kristiyanti, D. A. (2015). ANALISIS SENTIMEN REVIEW PRODUK KOSMETIK MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN PARTICLE SWARM OPTIMIZATION SEBAGAI.

Kurniawati, I., & Pardede, H. F. (2018). Hybrid Method of Information Gain and Particle Swarm Optimization for Selection of Features of SVM-Based Sentiment Analysis. 2018 International Conference on Information Technology Systems and Innovation, ICITSI 2018 - Proceedings, 1–5. https://doi.org/10.1109/ICITSI.2018.8695953

Putri, D. A. (2015). ALGORITMA SUPPORT VECTOR MACHINE BERBASIS ALGORITMA GENETIKA UNTUK ANALISIS SENTIMEN PADA.

Santoso, I., Gata, W., & Paryanti, A. B. (2019). Penggunaan Feature Selection di Algoritma Support Vector Machine untuk Sentimen Analisis Komisi Pemilihan Umum. 1(10), 5–11.

Saputra, S. A., Didi Rosiyadi, Windu Gata, & Syepry Maulana Husain. (2019). Sentiment Analysis Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 3(3), 377–382. https://doi.org/10.29207/resti.v3i3.1118




DOI: https://doi.org/10.31294/jtk.v6i2.8126

Copyright (c) 2020 Siti Nurhasanah Nugraha, Tri Rivanie, Sri Rahayu, Windu Gata, Rangga Pebrianto

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

ISSN: 2442-2436 (print), and 2550-0120


 dipublikasikan oleh LPPM Universitas Bina Sarana Informatika Jakarta

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License