Pengaruh Seleksi Fitur Particle Swarm Optimization terhadap Sentimen Analisis Aplikasi Pedulilindungi di Twitter dengan Algoritma Support Vector Machine

Abstract

PeduliLindungi merupakan aplikasi yang ditujukan kepada masyarakat guna menangkal serta menangani COVID-19 di Indonesia. Aplikasi ini wajib dimiliki oleh masyarakat Indonesia, sebagai salah satu hal untuk kewajiban yang dibuat oleh pemerintah dari perundangan yang dibuat untuk memasuki fasilitas publik. Tentunya aplikasi ini juga mendatangkan beberapa tanggapan dari masyarakat. Tanggapan tersebut bisa diungkapkan melalui media sosial yang cukup populer seperti twitter. Melalui twitter, mereka bebas mengungkapkan pendapat mereka tentang penggunaan aplikasi tersebut. Penelitian ini bermaksud untuk mendapatkan informasi sentimen terkait opini masyarakat yang berhubungan dengan penggunaan aplikasi PeduliLindungi, dengan mengaplikasikan algoritma Support Vector Machine serta kernel Radial Basis Function dan algoritma seleksi fitur yaitu Particle Swarm Optimization dalam mengklasifikasikan opini masyarakat terhadap aplikasi PeduliLindungi dari data tweet yang sudah diperoleh serta diberi label sentimen bersifat positif dan label sentimen bersifat negatif. Model Support Vector Machine menghasilkan akurasi sebesar 76.24%, recall (sensitivity) sebesar 82.14%, presisi sebesar 76.67%, dan specificity sebesar 68.89%, sedangkan model Support Vector Machine ditambahkan seleksi fitur yaitu Particle Swarm Optimization mengalami pengingkatan akurasi sebesar 88.12%, recall (sensitivity) sebesar 96.43%, presisi sebesar 84.36%, dan specificity sebesar 77.78%.

Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine

“…Penelitian ini bermaksud untuk mendapatkan informasi sentimen terkait opini masyarakat yang berhubungan dengan penggunaan aplikasi PeduliLindungi, dengan mengaplikasikan algoritma Support Vector Machine serta kernel Radial Basis Function dan algoritma seleksi fitur yaitu Particle Swarm Optimization dalam mengklasifikasikan opini masyarakat terhadap aplikasi PeduliLindungi dari data tweet yang sudah diperoleh serta diberi label sentimen bersifat positif dan label sentimen bersifat negatif. Model Support Vector Machine menghasilkan akurasi sebesar 76.24%, recall (sensitivity) sebesar 82.14%, presisi sebesar 76.67%, dan specificity sebesar 68.89%, sedangkan model Support Vector Machine ditambahkan seleksi fitur yaitu Particle Swarm Optimization mengalami pengingkatan akurasi sebesar 88.12%, recall (sensitivity) sebesar 96.43%, presisi sebesar 84.36%, dan specificity sebesar 77.78% [3]. Covid-19 adalah penyakit menular yang sudah menyebar ke Indonesia.…”

Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine

“…Berdasarkan hasil pengujian dan analisis yang telah dilakukan ditemukan bahwa Social Influence berpengaruh positif terhadap Perceived Ease of Use, Social Influence berpengaruh terhadap Perceived Usefulness, Perceived Usefulness berpengaruh terhadap Attitude Toward Using , Perceived Ease of Use tidak berpengaruh terhadap Attitude Toward Using, jadi tingkat Perceived Ease of Use seseorang rendah atau tinggi tidak akan mempengaruhi Attitude Toward Using. Hal ini terjadi karena sikap sesorang terhadap apikasi tidak hanya berpengaruh karena kemudahan melainkan orang sekita apakah menggunakan Optimization mengalami pengingkatan akurasi sebesar 88.12%, recall (sensitivity) sebesar 96.43%, presisi sebesar 84.36%, dan specificity sebesar 77.78% [3]. Covid-19 adalah penyakit menular yang sudah menyebar ke Indonesia.…”

Optimizing the 2024 Governor Election Quick Count with Extreme Gradient Boosting (XGBoost) to Increase Voting Prediction Accuracy

“…In contrast, the study by Sudriyanto et al (2022) implemented the C4.5 algorithm for predicting the suitability of elementary school students' learning styles [42], demonstrating the applicability of machine learning in educational contexts [43]. Moreover, Putra et al ( 2022) explored the impact of feature selection using Particle Swarm Optimization on sentiment analysis [45], providing insights into the optimization techniques that can be relevant for improving the accuracy of Quick Count predictions [45]. These studies collectively contribute to the understanding of machine learning algorithm usage in various domains, providing valuable insights that can be leveraged to assess the performance of XGBoost compared to traditional methods, its implementation in election prediction, and the 2020) examined the perception of usefulness, ease of use, security, and confidentiality of information technology, which is relevant for understanding the acceptance and utilization of technology in election-related processes [50].…”