Klasifikasi Sentimen Support Vector Machine Berbasis Optimasi Menyambut Pemilu 2024

Abstract

Ajang pesta demokrasi di tahun 2024 yang disertai dengan narasi politik akan kembali diadakan. Beragam komentar negatif dan isu hoaks mulai bermunculan di media sosial untuk menjatuhkan pihak oposisi. Hal ini menimbulkan ketidakpercayaan masyarakat hingga muncul golongan putih. Oleh karena itu, klasifikasi sentimen berdasarkan opini di Twitter dilakukan agar mengetahui bagaimana pandangan masyarakat mengenai fenomena ini.  Algoritma yang dipakai adalah Support Vector Machine dan Particle Swarm Optimization dengan metode tambahan seperti Term Frequency-Inverse Document Frequency dalam pembuatan vektor dan Synthetic Minority Oversampling Technique untuk menyeimbangkan data pada setiap kelas. Karena algoritma machine learning tersebut bersifat supervised learning, maka pelabelan otomatis dilakukan menggunakan Valence Aware Dictionary sEntiment Reasoner sebagai data latih. WordCloud sebagai sarana pendukung dalam mempersiapkan pemilu tahun depan juga diterapkan. Hasil pelabelan otomatis mendapatkan 1000 data sentimen positif dan 400 data sentimen negatif. Perolehan akurasi Support Vector Machine tanpa optimasi dengan metode pengujian split 70% data latih dan 30% data uji adalah sebesar 87.33%. Sedangkan persentase akurasi Support Vector Machine (Particle Swarm Optimization) adalah 87.50%. WordCloud sentimen positif dan negatif menunjukkan bahwa masyarakat mendukung adanya pemilu 2024 meskipun ada yang kurang menyukai publik figur atau partai politik tertentu.