Analisis Sentimen Opini Pemindahan Ibu Kota Pada Twitter Dengan Metode Support Vector Machine

Abstract

Relokasi ibu kota Indonesia kini telah diresmikan oleh Presiden Joko Widodo pada 26 Agustus 2019 ke Kalimantan, ini adalah sejarah baru dalam sejarah Indonesia karena belum pernah terjadi sebelumnya, sehingga memunculkan banyak pendapat atau tanggapan dari masyarakat. Analisis sentimen adalah kegiatan yang digunakan untuk menganalisis pendapat atau opini seseorang tentang suatu topik. Twitter adalah media sosial yang digunakan untuk mengekspresikan pendapat pengguna dan menyatukannya pada suatu topik. Support Vector Machine adalah metode text mining yang mencakup metode klasifikasi dan Term Frequency - Inverse Document Frequency adalah metode pembobotan karakter. SVM dan TF-IDF dapat digunakan untuk menganalisis sentimen opini publik tentang topik pemindahan ibukota Indonesia. Tujuan dari penelitian ini adalah untuk mengklasifikasikan opini publik tentang topik memindahkan Ibu Kota Indonesia dari ribuan tweet yang telah dikumpulkan dan disaring. Tweet pada dari 22-29 Maret 2020 telah diproses menjadi 992 tweet dan terdiri dari 221 data dengan label positif dan 771 data negatif. Dan menggunakan metode SVM yang memiliki akurasi 77,72% dan dikombinasikan dengan TFIDF yang meningkatkan akurasinya menjadi 78,33%.

Green Accounting and Disclosure of Sustainability Report on Firm Values in Indonesia

“…With increasing environmental problems, environmental accounting (green accounting) emerges as a solution to the problems between the environment with companies and the surrounding community. According to Hidayat [4] Green accounting is a practice that combines the principles of environmental management and conservation into reporting practices that include an analysis of costs and benefits. Thus, applying green accounting makes it possible to see the impact of practicing sustainable business strategies.…”

Untitled

“…Pembobotan kata merupakan suatu proses yang bertujuan untuk mengurangi dampak dari kata-kata yang umum atau tidak relevan dalam sebuah dokumen, sementara pada saat yang sama memberikan bobot yang lebih besar untuk kata-kata yang dianggap penting atau memiliki makna yang lebih spesifik. Salah satu algoritma yang umum digunakan adalah TF-IDF [8]. Adapun langkah perhitungannya sebagai berikut: IDF(t) = Nilai IDF kata (t) dalam kumpulan dokumen.…”

Analisis Sentimen Terhadap Telkomsel dan XL Berbasis Machine Learning Pada Data Twitter

“…Analisis sentimen diaplikasikan untuk mengelompokkan ulasan ke dalam feedback positif, negatif, dan netral (Darwis, Siskawati, & Abidin, 2021) (Singgalen, 2021). Pembobotan TF-IDF mampu meningkatkan kinerja akurasi dari machine learning (Hidayat, Garno, & Ridha, 2021) (Herlingga, Prismana, Prehanto, & Dermawan, 2020). Misalnya kata dasar dari "menemukan" dan "ditemukan" yaitu "temu".…”