ANALISIS SENTIMEN PENGGUNA INSTAGRAM TERHADAP KEBIJAKAN KEMDIKBUD MENGENAI BANTUAN KUOTA INTERNET DENGAN METODE SUPPORT VECTOR MACHINE (SVM)

  • Syifa Rahmawati Hakim Politeknik Statistika STIS
    (ID)
  • M. Alfa Rizki Politeknik Statistika STIS
    (ID)
  • Noval Irgi Zekha F Politeknik Statistika STIS
    (ID)
  • Nurhidayatul Fitri Politeknik Statistika STIS
    (ID)
  • Yolanda Rizkie A Politeknik Statistika STIS
    (ID)
  • Rani Nooraeni Politeknik Statistika STIS
    (ID)

Abstract

COVID-19 merupakan suatu pandemi baru yang disebabkan oleh coronavirus dan banyak memberikan dampak salah satunya pada dunia pendidikan sehingga mengharuskan menggunakan sistem pembelajaran jarak jauh. Untuk mendukung sistem tersebut, pemerintah Indonesia melalui Kemdikbud memberikan bantuan kepada peserta didik dan tenaga pendidik berupa bantuan kuota internet. Sebagian masyarakat menyampaikan tanggapan dan opininya mengenai bantuan kuota yang disediakan pemerintah di media sosial salah satunya Instagram. Opini-opini tersebut dimanfaatkan untuk mengetahui penilaian masyarakat terhadap bantuan kuota apakah positif atau negatif dengan menggunakan analisis sentimen. Data yang digunakan pada penelitian ini adalah data komentar pengguna instagram di 7 unggahan akun @kemdikbud.ri yang berkaitan dengan bantuan kuota internet mulai tanggal 27 Agustus – 30 September 2020 yang diperoleh melalui scraping sehingga didapatkan sebanyak 4520 komentar yang kemudian diolah dengan melakukan text preprocessing dan diklasifikasikan menggunakan algoritma support vector machine. Hasil dari tahapan preprocessing sebanyak 32.81% (1483 komentar) data siap digunakan untuk analisis sentimen. Setelah dilakukan analisis klasifikasi didapatkan model yang digunakan yaitu tipe C-Classification, dimana model pendekatan yang digunakan adalah SVM-Kernel Radial (Radial Basis Function) dan menghasilkan persentase komentar berupa sentimen positif sebanyak 61.5%. Model SVM Radian (RBF) mampu melakukan pengklasifikasian respons pengguna Instagram terkait pemberian bantuan kuota internet dengan cukup baik. Hal tersebut dibuktikan dengan nilai evaluasi model berupa tingkat akurasi seebsar 79.67%, sensitivitas sebesar 78.89%, dan spesifisitas sebesar 81.82%.

References

Buntoro, GA. 2016. “Analisis Sentimen Hatespeech pada Twitter Dengan Metode Naïve Bayes Classifier dan Support Vector Machine”. Jurnal Dinamika Informatika Vol.5, No.2, September 2016. ISSN:1978-1660

Dong, Y dkk. 2007. “An Optimization Method For Selecting Parameters In Support Vector Machines”. Sixth International Conference on Machine Learning and Applications (ICMLA 2007), Cincinnati, h. 1-6.

Han, J & Kamber, M. 2006. “Data Mining: Concepts and Techniques 2nd edition”. United States of America: University of Illinois at Urbana-Champaign.

Julianto, R dkk. 2017. “Analisis Sentimen Layanan Provider Telepon Seluler pada Twitter menggunakan Metode Naïve Bayesian Classification”. Journal of Big Data Analytic and Artificial Intelligence, Vol.3, No.1, Juni 2017, h.23-30.

Kurniawan, A. 2020. “Scraping komentar instagram menggunakan selenium python”. Medium, dilihat 30 September 2020, <https://medium.com/@Arifku__/scraping-komentar-instagram-menggunakan-selenium-python-3de175b3249d>

Kurniawan, B dkk. 2012. “Klasifikasi Konten Berita Dengan Metode Text Mining”. Jurnal Dunia Teknologi Informasi, Vol.1, No.1, 2014, h.14-19.

Liu, B dkk. 2005. “Opinion Observer: Analyzing and Comparing Opinions on the Web”. Proceedings of the 14th international conference on World Wide Web, May 2005, Ichiba, Japan, h.342-351.

Nooraeni, R dkk. 2020. “Analisis Sentimen Data Twitter Mengenai Isu RUU KPK dengan Metode Support Vector Machine (SVM)”. Jurnal Informatika dan Komputer, Vol.22, No. 1, Maret 2020. P-ISSN:1410-5063, E-ISSN:2579-3500, h.55-60.

Novantirani, A. 2015. “Analisis Sentimen pada Twitter Mengenai Penggunaan Transportasi Umum Darat dalam Kota dengan Metode Support Vector Machine”. Bandung: Universitas Telkom.

Ohorella, NAT. 2019. “Support Vector Machine (SVM) dalam R”. Medium, dilihat 4 Oktober 2020, <https://medium.com/@16611094/support-vector-machine-svm-dalam-r-932c759aedb2>

Pamungkas, EW & Putri, DGP. 2016. “An Experimental Study of Lexicon-Based Sentiment Analysis on Bahasa Indonesia”. Proceeding of The 6th International Annual Engineering Seminar (InAES), Yogyakarta, Indonesia, h.28-31.

Peng, W & Park, DH. 2011 “Generate Adjective Sentiment Dictionary for Social Media Sentiment Analysis Using Constrained Nonnegative Matrix Factorization”. Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media, July 2011, Spain, h. 273-280.

Pramana, Setia dkk. 2018. “Data Mining Dengan R: Konsep Serta Implementasi”. Bogor: In Media.

Pudjiarti, E. 2016. “Prediksi Spam Email Menggunakan Metode Support Vector Machine dan Particle Swarm Optimization”. Jurnal Pilar Nusa Mandiri, Vol.XII, No.2, September 2016. ISSN:1978-1946, h. 171-181.

Salsabila, NA dkk. 2018. “Colloquial Indonesian Lexicon”. 2018 International Conference on Asian Language Processing (IALP), Bandung, Indonesia, h. 226-229.

Supriyadi. 2018. “Sentiment-Analysis-with-R”. GitHub, dilihat 3 Oktober 2020, <https://github.com/supriyd/Sentiment-Analysis-with-R>

Tala, FZ. 2003. “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia”. The Netherlands: Institute for Logic, Language and Computation Universiteit van Amsterdam.

Wahid, DH & Azhari, SN. 2016. “Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDFdan Cosine Similarity”. IJCCS, Vol.10, No. 2, July 2016. ISSN:1978-1520, h. 207-218.

Published
2020-12-23
How to Cite
[1]
S. R. Hakim, M. A. Rizki, N. I. Zekha F, N. Fitri, Y. R. A, and R. Nooraeni, “ANALISIS SENTIMEN PENGGUNA INSTAGRAM TERHADAP KEBIJAKAN KEMDIKBUD MENGENAI BANTUAN KUOTA INTERNET DENGAN METODE SUPPORT VECTOR MACHINE (SVM)”, MSA, vol. 8, no. 2, pp. 15 - 24, Dec. 2020.
Abstract viewed = 2665 times

Most read articles by the same author(s)