Analisis Sentimen Pada Twitter Menggunakan Metode K-Means Dan Support Vector Machine (SVM) Mengenai Penanganan Pemerintah Tentang Pandemi Covid-19

  • Kode Repository : SKI05/MUH/21
  • NPM : 065116258
  • Nama : Muhamad Afdal Jalani
  • Pembimbing 1 : -Prof.Dr.Ing. Soewarto Hardhienata
  • Pembimbing 2 : -Agung Prajuhana Putra,M.Kom
  • Abstrak : -ANALISIS SENTIMEN PADA TWITTER MENGGUNAKAN METODE K-MEANS DAN SUPPORT VECTOR MACHINE MENGENAI PENANGANAN PEMERINTAH TENTANG PANDEMI COVID-19 Muhamad Afdal Jalani1), Prof. Dr. Ing Soewarto Hardhienata2) , Agung Prajuhana Putra3) Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan, Jalan Pakuan Po.Box 452 Bogor 16143 Jawa Barat Indonesia Email Correspondent: afdal.065116258@unpak.ac.id Abstrak Analisis sentimen atau penggalian opini dapat didefinisikan sebagai tugas mendeteksi, mengekstraksi, dan mengklasifikasikan opini tentang sesuatu topik. Tugas ini adalah jenis pemrosesan bahasa alami, yang digunakan untuk melacak sentimen publik dalam hukum, kebijakan, atau pemasaran tertentu. Analisis sentimen melibatkan pengembangan metode untuk mengumpulkan, memeriksa komentar, opini terkait undang-undang dan kebijakan yang telah diposting di media sosial. Media sosial menjadi wadah yang baik untuk memahami tanggapan masyarakat terhadap sesuatu topik. Pengguna media sosial lebih cenderung mengungkapkan pandangannya secara sukarela, berharap pandangan yang mereka sampaikan mendapat tanggapan dari pemerintah. Penelitian ini membahas tentang analisis sentimen mengenai penanganan pemerintah tentang pandemi covid-19. Dalam hal ini, pemerintah Indonesia telah melakukan berbagai langkah-langkah melalui Kementerian Kesehatan untuk mencegah masuknya COVID-19 ke wilayah Indonesia. Pada penelitian ini diusulkan penggunaan dua metode yaitu metode K-Means dan Support Vector Machine. Alasan memilih metode klasifikasi Support Vector Machine (SVM) karena memiliki kemampuan generalisasi dalam mengklasifikasikan suatu pattern, dalam menentukan jarak menggunakan support vector sehingga proses komputasi menjadi cepat, memiliki kinerja yang lebih unggul dan dapat diimplementasikan relatif mudah karena proses penentuan support vector dapat dirumuskan dalam QP problem. Maka kesimpulan dari penelitian ini dapat berguna untuk mengetahui seberapa akurat metode support vector untuk melakukan klasifikasi. Penelitian ini memperoleh keakuratan data pengujian hingga 100 ulasan, yaitu 97%, jumlah komentar positif adalah 47 ulasan dan 50 ulasan adalah negatif dari data pengujian, dan data yang salah diprediksi adalah 3 komentar. . Kata kunci:Analisis sentimen; K-Means; Support Vector Machine
  • Program Studi : Ilmu Komputer