Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization

Abstract

Terdapat fenomena transportasi online dengan masalah seperti kriminalitas dan penipuan di Indonesia yang memicu pro dan kontra pada pengguna Twitter. Makalah ini bertujuan mengetahui sentimen masyarakat terhadap transportasi online dan membandingkan akurasi SVM dan SVM-PSO dengan nilai parameter default. Solusi yang diusulkan adalah membagi dataset ke dalam data training dan testing, karena beberapa penelitian mengenai optimasi hanya menggunakan satu dataset yang sudah diklasifikasikan. Data penelitian adalah data tweet dengan metode scraping menggunakan Octoparse. Total 1.852 data tweet dari 1/1/2019 hingga 15/10/2019 yang dibagi menjadi data testing 1.130 tweet dan training 722 tweet serta RapidMiner digunakan untuk proses analisis. Analisis sentimen positif menggunakan SVM adalah sebesar 62% dan sentimen negatif sebesar 38%, sedangkan pada SVM-PSO, opini positif sebesar 53% dan negatif 47%. Hasil penelitian menggunakan 10 k-fold CV menghasilkan akurasi pada SVM sebesar 95,46% dan AUC 0,979 (excellent classification), sedangkan pada SVM-PSO sebesar 96,04% dan AUC 0,993 (excellent classification). Hasil menunjukkan bahwa penggunaan data training dan testing dapat dilakukan dan terbukti bahwa SVM-PSO lebih baik daripada SVM biasa, meskipun menggunakan nilai parameter default.

Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19

“…Salah satu di antaranya adalah metode analisis sentimen. Metode analisis sentimen merupakan salah satu metode untuk menganalisis data yang didapatkan dari internet sehingga dapat diketahui polaritas dari data tersebut [4]. Dengan menggunakan analisis sentimen, polaritas dari opini yang ada dapat dikumpulkan, sehingga akan dapat digunakan untuk memprediksi suasana publik atau gambaran perasaan netizen bersifat negatif atau positif [4].…”

“…Dalam penelitian lain, dilakukan analisis sentimen terhadap pengguna jasa transportasi daring (online) di Indonesia dengan menggunakan metode Support Vector Machine (SVM) berbasis Particle Swarm Optimization (PSO) [4]. Data yang digunakan sebanyak 1.852 tweet dan dibagi menjadi data latih (training) dan data uji (testing).…”

“…Algoritme SVM berbasis PSO dalam penelitian ini mempunyai tingkat akurasi yang lebih baik dari algoritme SVM biasa. Hasil dari penelitian ini digunakan untuk melihat tanggapan masyarakat Indonesia terhadap pelayanan yang didapat dari jasa transportasi daring [4].…”

Wayang Image Classification Using SVM Method and GLCM Feature Extraction

“…Pada penelitian kali ini kami membahas bagaimana cara mengenali objek wayang berdasarkan citra wayang tersebut dengan menggunakan metode SVM (Support Vector Machine) yang merupakan seperangkat metode pembelajaran terkait yang menganalisis data dan mengenali pola, yang kemudian digunakan untuk klasifikasi dan analisis regresi (Ahmad et al, 2018) (Pratama, 2020) yang memiliki perforfma yang lebih baik di berbagai aplikasi seperti klasifikasi teks, dan pengenalan tulisan tangan (Sucipto & Zyen, 2017), dan merupakan metode yang ampuh untuk membangun sebuah classifier (Huang et al, 2018). Kelebihan SVM adalah dapat mengidentifikasi hyperplane terpisah (Akter Mim, 2018) yang memaksimalkan margin pada dua kelas berbeda (Que et al, 2020). GLCM (Gray Level Co-Occurrence Matrix) merupakan matrik yang dirancang untuk mengukur tekstur dan bentuk gambar yang berbeda di bidang pengenalan pola dan komputer visi (Park & Guldmann, 2020) yang menggunakan probabilitas dari dua titik 1 dan 2 pada tingkat keabuan dalam jarak tertentu dan orientasi sudut tertentu.…”

“…Metode SVM merupakan suatu metode yang relatif baru untuk melakukan prediksi pada kasus regresi atau klasifikasi (Abd & Abd, 2017). SVM adalah model supervised (W. Wang et al, 2017) learning yang implementasinya membutuhkan tahap pelatihan menggunakan sequential training SVM dan diikuti proses pengujian (Que et al, 2020) (Muhathir, 2018). Fungsi SVM dengan memproyeksikan ruang fitur ke dalam ruang kernel (M. Wang & Chen, 2020) dan membuat kelas dapat dipisahkan secara linier.…”