Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring

Authors

  • Amar P. Natasuwarna STMIK Pontianak

DOI:

https://doi.org/10.33633/tc.v19i4.4044

Keywords:

SVM, Term Frequency, TF-IDF, Analisis Sentimen, Pembelajaran Daring

Abstract

Pernyataan Mendikbud Republik Indonesia mengenai keberlanjutan pembelajaran daring memperoleh komentar positif dan negatif dari masyarakat melalui Twitter. Tweet atau komentar masyarakat berbahasa Indonesia melalui Twitter diambil secara crawling. Komentar tersebut merupakan opini masyarakat yang perlu didengar. Permasalahannya, komentar tersebut sulit dipilah untuk mendapatkan term atau kata hasil dari komentar positif atau negatif sehubungan penggunaan ragam kata yang digunakan diantaranya penggunaan bahasa tidak formal, simbol, singkatan, bahasa asing, dan bahasa daerah.  Untuk mengatasi hal tersebut dilakukan penelitian menggunakan analisis sentimen. Tahapan penelitian yang dilakukan terdiri dari pengambilan data mentah; pre-processing data; seleksi fitur dengan Term Frequency dan TF-IDF; klasifikasi dengan Support Vector Machine (SVM); dan evaluasi menggunakan k-Fold Cross Validation dan Confusion Matrix. Tujuan penelitian adalah melakukan analisis sentimen komentar masyarakat terhadap pernyataan Mendikbud mengenai keberlanjutan pembelajaran daring dengan klasifikasi dua kelas yaitu positif dan negatif. Data yang digunakan berjumlah 200 data tweet terdiri dari 100 komentar positif dan 100 komentar negatif menggunakan lima rasio perbandingan data latih dan data uji. Penelitian ini menghasilkan evaluasi yang cukup baik sehingga kata-kata dengan nilai seleksi fitur tertinggi dapat menjadi bahan pertimbangan mewakili suara masyarakat yang disampaikan melalui Twitter, dimana diperoleh nilai tertinggi pada accuracy sebesar 86,00%, precision sebesar 87,38%, dan recall sebesar 85,02%.

Author Biography

Amar P. Natasuwarna, STMIK Pontianak

Penulis menyelesaikan studi S1 Jurusan Fisika Fakultas FMIPA Universtias Indonesia tahun 1992. Kemudian, menyelesaian S2 Program Magister Managemen Sistem Informasi dari Universitas Bina Nusantara tahun 2000.  Bekerja di dunia pendidikan sejak tahun 1989 hingga sekarang. Selain itu, pernah menimba ilmu dan bekerja di dunia industri seperti perbankan dan kehutanan sebagai praktisi IT sejak tahun 2000 hingga 2015. Terakhir mengabdikan dirinya sebagai dosen Jurusan Sistem Informasi di STMIK Pontianak.

References

Somantri, O., & Apriliani, D., 2018, Support Vector Machine Berbasis Feature Selection untuk Sentiment Analysis Kepuasan Pelanggan Terhadap Pelayanan Warung dan Restoran Kuliner Kota Tegal, Jurnal Teknologi Informasi dan Ilmu Komputer, Vol. 5, Ed. 5, Hal. 537-548.

Irfani, F. F., Triyanto, M., & Hartanto, A. D., 2020, Analisis Sentimen Review Aplikasi Ruangguru Menggunakan Algoritma Support Vector Machine, JBMI (Jurnal Bisnis, Manajemen, dan Informatika), Vol. 16, Ed. 3, Hal. 258-266.

Kirilenko, A. P., Stepchenkova, S. O., Kim, H., & Li, X., 2018, Automated sentiment analysis in tourism: Comparison of approaches, Journal of Travel Research, Vol. 57, Ed. 8, Hal. 1012-1025.

Natasuwarna, A. P., 2019, Analisis Sentimen Keputusan Pemindahan Ibukota Negara Menggunakan Klasifikasi Naive Bayes, SENSITIf: Seminar Nasional Sistem Informasi dan Teknologi Informasi, Makasar, December 16-17.

Fiarni, C., Maharani, H., & Pratama, R., 2016, Sentiment analysis system for Indonesia online retail shop review using hierarchy Naive Bayes technique, In 2016 4th international conference on information and communication technology (ICoICT), IEEE, Bandung, May 25.

Hasanah, A., Lestari, A. S., Rahman, A. Y., & Daniel, Y. I., 2020, Analisis aktivitas belajar daring mahasiswa pada pandemi Covid-19, KTI masa WFH LP2M UIN Sunan Gunung Djati, Hal. 1-9.

Fitriyani, Y., Fauzi, I., & Sari, M. Z., 2020, Motivasi Belajar Mahasiswa Pada Pembelajaran Daring Selama Pandemik Covid-19, Jurnal Kependidikan: Jurnal Hasil Penelitian dan Kajian Kepustakaan di Bidang Pendidikan, Pengajaran dan Pembelajaran, Vol. 6, Ed. 2, Hal. 165-175.

Dewi, W.A.F., 2020, Dampak Covid-19 terhadap Implementasi Pembelajaran Daring di Sekolah Dasar, Edukatif: Jurnal Ilmu Pendidikan, Vol. 2, Ed. 1, Hal. 55-61.

Arianto, B. W., & Anuraga, G., 2020, Topic Modeling for Twitter Users Regarding the"

Ruanggguru" Application, Jurnal ILMU DASAR, Vol. 21, Ed. 2, Hal. 149-154.

Sadikin, A., & Hamidah, A., 2020, Pembelajaran Daring di Tengah Wabah Covid-19. BIODIK, Vol. 6, Ed. 2, Hal. 109-119.

Jamaluddin, D., Ratnasih, T., Gunawan, H., & Paujiah, E., 2020, Pembelajaran daring masa pandemik Covid-19 pada calon guru: hambatan, solusi dan proyeksi, LP2M UIN Sunan Gunung Djati Bandung.

Buntoro, G.A., 2017, Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter, INTEGER: Journal of Information Technology, Vol. 2, Ed. 1.

Yanti, W.N., 2018, Analisis Sentimen Media Sosial (Twitter) terhadap Layanan Provider Telekomunikasi (Telkomkel) Menggunakan Metode Multinomial Naive Bayes, Skripsi, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim, Malang.

Tyagi, P., & Tripathi, R. C., 2019, A Review towards the Sentiment Analysis Techniques for the Analysis of Twitter Data, International Conference on Advanced Computing and Software Engineering 2019, February 8.

Pamungkas, D. S., Setiyanto, N. A., & Dolphina, E, 2015, Analisis Sentiment pada Sosial Media Twitter Menggunakan Naïve Bayes Classifier terhadap Kata Kunci “Kurikulum 2013”, Techno. Com, Vol. 14, Ed. 4, Hal. 299-314.

Perdana, R.S., 2018, Penerapan Sentimen Analisis Acara Televisi Pada Twitter Menggunakan Support Vector Machine dan Algoritma Genetika sebagai Metode Seleksi Fitur, Jurnal Pengembangan Teknologi Informasi dan Komputer e-ISSN, 2548, 964X.

Hidayatullah, A. F., & Azhari, A. S., 2015, Analisis sentimen dan klasifikasi kategori terhadap tokoh publik pada twitter, In Seminar Nasional Informatika (SEMNASIF), July 9.

Antinasari, P., Perdana, R. S., & Fauzi, M. A., 2017, Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Fanissa, S., Fauzi, M. A., & Adinugroho, S., 2018, Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Mihuandayani, M., Feriyanto, E., Syarham, S., & Kusrini, K., 2018, Opinion Mining pada Komentas Twitter E-KTP Menggunakan Naïve Bayes Classier, Semnasteknomedia Online, Vol.6, Ed. 1, Hal. 1-2.

Irfani, F.F., Triyanto, M., Hartanto, A.D., Kusnawi, 2020, Analisis Sentimen Review Aplikasi Ruang Guru Menggunakan Algoritm Support Vector Machine, Jurnal Business, Management, dan Informatika, Vol. 16, Ed. 3, Hal. 258-266.

Hidayat, A. N., 2015, Analisis Sentimen Terhadap Wacana Politik Pada Media Masa Online Menggunakan Algoritma Support Vector Machine Dan Naive Bayes, Jurnal Elektronik Sistem Informasi dan Komputer, Vol. 1, Ed. 1, Hal. 12-18.

Rofiqoh, U., Perdana, R. S., & Fauzi, M. A., 2017, Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Santoso, V.I., Virginia, G., Lukito, Y., 2017, Penerapan Sentiment Analysis pada Hasil Evaluasi Dosen dengan Metode Support Vector Machine, Jurnal Transformatika, Vol. 14, Ed. 2, Hal. 72-7.

Hikmawan, S., Pardamean, A., Khasanah, S.N., 2020, Sentimen Analisis Publik Terhadap Joko Widodo Terhadap Wabah Covid-19 Menggunakan Metode Machine Learning. Jurnal Kajian Ilmiah, Vol. 20, Ed. 2, Hal. 167-176.

Aggarwal, C. C., 2015, Data mining: the textbook, Springer.

Downloads

Published

2020-11-26

Issue

Vol. 19 No. 4 (2020): November 2020

Section

Articles

License

Copyright (c) 2020 Amar P. Natasuwarna

Creative Commons License

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

 

License Terms

All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:

1. Attribution

Readers and users are free to:

  • Share – Copy and redistribute the material in any medium or format.

  • Adapt – Remix, transform, and build upon the material.

As long as proper credit is given to the original work by citing the author(s) and the journal.

2. Non-Commercial Use

  • The material cannot be used for commercial purposes.

  • Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.

3. Rights of Authors

  • Authors retain copyright and grant Techno.COM Journal the right to publish the article.

  • Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.

4. No Additional Restrictions

  • The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.

5. Disclaimer

  • The journal is not responsible for how the published content is used by third parties.

  • The opinions expressed in the articles are solely those of the authors.

For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/

 

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.