Analisis Sentimen Calon Presiden 2024 Menggunakan Algoritma SVM Pada Media Sosial Twitter

Abstract

Stakeholders widely use sentiment analysis in assessing sentiment towards an object. In this research, the object to be taken is sentiment analysis of political figures for the 2024 presidential candidate which is being widely discussed by netizens, especially on Twitter. The issues raised are regarding the performance measurement of an algorithm in classifying sentiments, some algorithms often need a higher level of accuracy. This study aims to improve performance measures from previous studies using the Naïve Bayes algorithm which has a fairly low level of accuracy, and in this study the SVM algorithm was used. This study takes Twitter data related to presidential candidates to see public opinion for each presidential candidate. The data taken was Twitter data with the keywords Ganjar, Anies, Prabowo totaling 8,959 data taken on October 17-25 2022. The results of the test concluded that the SVM algorithm has a performance measure or quite high accuracy compared to the Naïve Bayes algorithm in previous studies only of 73.86% while the SVM algorithm gets an average accuracy value of 98.61%, namely the Ganjar Pranowo dataset, then 98.81% precision, 99.79% recall. And for the proportion of sentiment, the positive sentiment obtained by Ganjar was higher than the other presidential candidates, namely 55%, Prabowo 30% and Anies 15%, while Anies' negative sentiment was 89% higher than Ganjar 8% and Prabowo 3%.

Preferensi Pengguna Twitter Terhadap Calon Presiden dan Wakil Presiden Indonesia 2024

“…Sejak itu, sistem pemilihan presiden Indonesia menjadi transparan dan kompetitif. Oleh sebab itu, seorang politisi yang ingin mencalonkan diri sebagai presiden pasti akan memeriksa atau mempertimbangkan popularitasnya berdasarkan pendapat publik [2].…”

Analisis Sentimen Popularitas Capres dan Pilpres pada Media Sosial Twitter: Perbandingan Algoritma SVM, KNN, dan Naïve Bayes

“…Support Vector Machine (SVM) merupakan metode pembelajaran terbimbing yang umum digunakan untuk membentuk klasifikasi serta analisis regresi dalam analisis data dan identifikasi pola [12]. Representasi dari hyperplane SVM ditunjukkan pada Gambar 2 :…”

“…Ini adalah tabel data uji yang besar yang menunjukkan hasil prediksi yang kuat dan lemah dari model klasifikasi yang digunakan. Digunakan untuk mengetahui kinerja model klasifikasi yang dapat menghasilkan recall, precission, dan accuracy [12]. Tabel 7 menunjukkan hasil klasifikasi algoritma SVM, NB, dan KNN untuk kata kunci Capres dan Pilpres, dan Gambar 8 menunjukkan hasil klasifikasi algoritma NB.…”

Analisis Sentimen Ulasan Aplikasi Lita Di Play Store Menggunakan Algoritma Naive Bayes

“…Algoritma SVM menunjukkan peningkatan signifikan dengan nilai akurasi rata-rata mencapai 98,61%, sedangkan pada penelitian sebelumnya dengan Naïve Bayes hanya mencapai 73,86%. Selain itu, evaluasi sentimen menunjukkan bahwa Ganjar Pranowo mendapat proporsi sentimen positif tertinggi, yaitu 55%, sementara sentimen negatif tertinggi adalah milik Anies dengan 89% [6].…”