KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DENGAN ALGOTIMA GENETIKA PADA ANALISIS SENTIMEN CALON GUBERNUR JABAR 2018-2023

KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DENGAN ALGOTIMA GENETIKA PADA ANALISIS SENTIMEN CALON GUBERNUR JABAR 2018-2023

• By Gunawan, Deni;
• Tesis
• 332

Kontestasi politik dalam penentuan menjadi pemimpin tingkat provinsi dalam hal
ini gubernur jawa barat 2018-2023. Masyarakat yang memberikan opininya
berupa tweet pada media sosial twitter menentukan bentuk dukungan atau
tidaknya, sehingga perlu adanya analisis sentimen terhadap calon Gubernur agar
mengetahui tingkat kepercayaan masyarakat serta terbentuk citra kepada calon
Gubernur Jawa Barat 2018-2023. Informasi opini tersebut berguna bagi
masyarakat dalam penentuan hak pilihnya dan bahkan kepada calon Gubernur
tersebut. Akan tetapi membaca keseluruhan tweet yang tersebar dalam twitter
yang berkaitan dengan masing-masing calon gubernur akan memakan waktu dan
membingungkan dalam pengambilan keputusan. Klasifikasi sentimen akan
mengurai masalah tersebut dengan studi komputasi mengenai pendapat, perilaku
dan emosi seseorang terhadap entitas. Pada penelitian ini akan membahas
mengenai teknik klasifikasi dengan metode Support Vector Machine dan Naive
Bayes. Pemilihan fitur akan mempengaruhi hasil akurasi klasifikasi, dalam
pemilihan fitur seleksi menggunakan Genetic Algorithm agar dapat meningkatan
akurasi pengklasifikasian pada Support Vector Machine dan Naive Bayes.
Penelitian ini menghasilkan klasifikasi teks dalam bentuk positif atau negatif dari
tweet calon gubernur jawa barat 2018-2023. Pada dataset tidak seimbang Support
Vector Machine menghasilkan rata-rata akurasi 92.61% dengan AUC 0,950,
Naive Bayes menghasilkan rata-rata akurasi 93,29% dengan AUC 0,525, Support
Vector Machine berbasis Genetic Algorithm menghasilkan rata-rata akurasi
93,03% dengan AUC 0,869, Naive Bayes berbasis Genetic Algorithm
menghasilkan rata-rata akurasi 92,85% dengan AUC 0,543. Hasil ini menunjukan
bahwa Support Vector Machine dapat digunakan untuk membangun deteksi tweet
klasifikasi positif dan negatif dengan tingkat akurasi yang tinggi. Kebaruan dari
penelitian ini adalah bahwa Support Vector Machine dapat digunakan untuk
mendeteksi tweet pada dataset twitter berbahasa indonesia penulis.

• Katakunci Sentimen Analisis, Support Vector Machine, Naive Bayes, Genetic Algorithm.
• URL http://
• Penerbit ,

REFERENSI

Aggarwal, C. C. (2015). Data Mining. Cham: Springer International Publishing.
Https://Doi.Org/10.1007/978-3-319-14142-8
Alfiah, F., Susanti, E., Kristinna, J., Ardiansyah, O. R., & Pradipta, D. (2015).
Manfaat Menganalisis Pengaruh Sosial Media, 6–8.
Balahur, A., Mihalcea, R., & Montoyo, A. (2014). Computational Approaches To
Subjectivity And Sentiment Analysis: Present And Envisaged Methods And
Applications. Computer Speech And Language, 28(1), 1–6.
Https://Doi.Org/10.1016/J.Csl.2013.09.003
Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. (2013). Opinion
Mining Of Movie Review Using Hybrid Method Of Support Vector Machine
And Particle Swarm Optimization. Procedia Engineering, 53, 453–462.
Https://Doi.Org/10.1016/J.Proeng.2013.02.059
Bohang, Fatimah Kartini. (2017, September). Twitter 280 Karakter Resmi di
Seluruh Dunia. https://tekno.kompas.com/read/2017/11/08/08340057/twitter-
280-karakter-resmi-di-seluruh-dunia.
Chou, J. S., Cheng, M. Y., Wu, Y. W., & Pham, A. D. (2014). Optimizing
Parameters Of Support Vector Machine Using Fast Messy Genetic
Algorithm For Dispute Classification. Expert Systems With Applications,
41(8), 3955–3964. Https://Doi.Org/10.1016/J.Eswa.2013.12.035
Das, T. K., Acharjya, D. P., & Patra, M. R. (2014). Opinion Mining About A
Product By Analyzing Public Tweets In Twitter. 2014 International
Conference On Computer Communication And Informatics: Ushering In
Technologies Of Tomorrow, Today, Iccci 2014, 3–6.
Https://Doi.Org/10.1109/Iccci.2014.6921727
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
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts And Techniques.
San Francisco, Ca, Itd: Morgan Kaufmann. Https://Doi.Org/10.1016/B978-
0-12-381479-1.00001-0
Handayani, F., & Pribadi, F. S. (2015). Implementasi Algoritma Naive Bayes
Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan
Masyarakat melalui Layanan Call Center 110. Jurnal Teknik Elektro, 7(1),
19–24.
Hashimi, H., Hafez, A., & Mathkour, H. (2015). Selection Criteria For Text
Mining Approaches. Computers In Human Behavior, 51, 729–733.
Https://Doi.Org/10.1016/J.Chb.2014.10.062
Hidayat, Andi Nurul. (2015). Analisis Sentimen Terhadap Wacana Politik Pada
Media Masa Online Menggunakan Algoritma Support Vector Machine Dan
Naive Bayes. Jurnal Elektronik Sistim Informasi Dan Komputer (Jesik), 1(1),
1–7.
Jo, T. (2018). Text Mining. Springer, Cham. Https://Doi.Org/10.1016/B978-0-12-
396963-7.00010-6
Kotu, V., & Deshpande, B. (2015). Predictive Analytics And Data Mining. Npl.
Elsevier Inc. Retrieved From Http://Www.Mendeley.Com/Research/DataMining-And-Predictive-Analysis/
104
Liu, H., Tian, H. Q., Chen, C., & Li, Y. F. (2013). An Experimental Investigation
Of Two Wavelet-Mlp Hybrid Frameworks For Wind Speed Prediction Using
Ga And Pso Optimization. International Journal Of Electrical Power And
Energy Systems, 52(1), 161–173.
Https://Doi.Org/10.1016/J.Ijepes.2013.03.034
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment Analysis Algorithms
And Applications: A Survey. Ain Shams Engineering Journal, 5(4), 1093–
1113. Https://Doi.Org/10.1016/J.Asej.2014.04.011
Moraes, R., Valiati, J. F., & Gavião Neto, W. P. (2013). Document-Level
Sentiment Classification: An Empirical Comparison Between Svm And Ann.
Expert Systems With Applications, 40(2), 621–633.
Https://Doi.Org/10.1016/J.Eswa.2012.07.059
Putranti, N. D., & Winarko, E. (2014). Analisis Sentimen Twitter Untuk Teks
Berbahasa Indonesia Dengan Maximum Entropy Dan Support Vector
Machine. Ijcss, 8(1), 91–100. Https://Doi.Org/10.22146/Ijccs.3499
Ramesh, B., & Sathiaseelan, J. G. R. (2015). An Advanced Multi Class Instance
Selection Based Support Vector Machine For Text Classification. Procedia
Computer Science, 57, 1124–1130.
Https://Doi.Org/10.1016/J.Procs.2015.07.400
Rozi, I. F., Pramono, S. H., & Dahlan, E. A. (2012). Implementasi Opinion
Mining ( Analisis Sentimen ) Untuk Ekstraksi Data Opini Publik Pada
Perguruan Tinggi. Electrical Power, Electronics, Communications, Controls,
And Informatics Seminar (Eeccis), 6(1), 37–43.
Sarlan, A., Nadam, C., & Basri, S. (2015). Twitter Sentiment Analysis.
Arxiv:1507.00955 [Cs, Stat], 212–216.
Https://Doi.Org/10.1109/Icimu.2014.7066632
Sartika, D., Sensuse, D. I. (2017). Perbandingan Algoritma Klasifikasi Naive
Bayes , Nearest Neighbour , Dan Decision Tree Pada Studi Kasus
Pengambilan Keputusan Pemilihan Pola Pakaian. Jurnal Teknik Informatika
Dan Sistem Informasi (Jatisi), 1(2), 151–161.
Singh, T., & Kumari, M. (2016). Role Of Text Pre-Processing In Twitter
Sentiment Analysis. Procedia Computer Science, 89, 549–554.
Https://Doi.Org/10.1016/J.Procs.2016.06.095
Wahyudi, M., & Putri, D. W. I. A. (2016). Algorithm Application Support Vector
Machine With Genetic Algorithm Optimization Technique For Selection
Features For The Analysis Of, 84(3).
Zhou, J., Li, X., & Shi, X. (2012). Long-Term Prediction Model Of Rockburst In
Underground Openings Using Heuristic Algorithms And Support Vector
Machines. Safety Science, 50(4), 629–644.
Https://Doi.Org/10.1016/J.Ssci.2011.08.065