Analisis Sentiment Instagram Menggunakan Metode Support Vector Machine (SVM)  Berbasis Grid Search Algorithm (GSA)

Agus Salim Salim; Windu Gata; M Hilman Fakhriza; Cicih Sri Rhayu; Arif Budiarto

doi:10.30591/smartcomp.v11i3.3899

Analisis Sentiment Instagram Menggunakan Metode Support Vector Machine (SVM) Berbasis Grid Search Algorithm (GSA)

Agus Salim Salim, Windu Gata, M Hilman Fakhriza, Cicih Sri Rhayu, Arif Budiarto

Abstract

Instagram adalah sebuah aplikasi berbagi foto dan video yang memungkinkan pengguna mengambil foto, mengambil video, menerapkan filter digital, dan membagikannya ke berbagai layanan jejaring sosial, termasuk milik Instagram sendiri.

Pada penelitian ini akan dilakukan Analisis sentiment Instagram menggunakan metode support vector machine (SVM) berbasis Grid Search Algorithm (GSA). SVM salah satu metode yang dapat melakukan teknik klasifikasi kalimat menjadi positif, negatif ataupun netral, karena proses yang akan dilakukan bersifat non linear maka parameter yang akan digunakan adalah nilai C dan γ. Agar proses klasifikasi lebih optimal maka digunakan GSA sebagai model seleksi fitur. Untuk membuat sebuah aplikasi analisis sentimen diperlukan data training dan data testing. Dataset yang digunakan Sanders Instagram.

Dataset tersebut dilabel secara manual dan terdiri dari 654 negatif, 570 positip, 2503 netral, 1786 irrelevant. Tahap-tahap analisis sentimen dimulai dengan Loading data, Tokenizing, Weighting, Preprocessing, Filtering dan klasifikasi. Dari hasil uji coba, Analisis sentimen pada aplikasi memiliki tingkat keakuratan sekitar 79%. Persentase tag Instagram pada data sanders cenderung lebih banyak tag Instagram netral dan negatif dari pada positif.

Full Text:

References

Fatmawati, M. A. (2017). Klasifikasi Keluhan Menggunakan Metode Support Vector Machine (SVM) (Studi Kasus : Akun Facebook Group iRaise Helpdesk). Jurnal CoreIT, 3(1), 24–30.

Luqyana, W. A., Cholissodin, I., & Perdana, R. S. (2018). Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), 4704–4713.

Nirawana, I. W. S., & Indrawan, I. G. (2016). Analisis Sentimen Pada Review Film Dengan Mengunakan Algoritma Klasifikasi Naive Bayes Berdasarkan Term Objects Keywords. Seminar Nasional Pendidikan Teknik Informatika (SENAPATI 2016), (Senapati), 172–174.

Nurhuda, F., Widya Sihwi, S., & Doewes, A. (2016). Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier. Jurnal Teknologi & Informasi ITSmart, 2(2), 35. https://doi.org/10.20961/its.v2i2.630

Wahyuningsih, S., & Utari, D. R. (2018). Perbandingan Metode K-Nearest Neighbor , Naive Bayes dan Decision Tree untuk Prediksi Kelayakan Pemberian Kredit. Konferensi Nasional Sistem Informasi 2018, 619–623. Retrieved from http://jurnal.atmaluhur.ac.id/index.php/knsi2018/article/view/424/349

Windarti, M., & Suradi, A. (2019). Perbandingan Kinerja 6 Algoritme Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa. Telematika, 12(1), 14. https://doi.org/10.35671/telematika.v12i1.778

DOI: https://doi.org/10.30591/smartcomp.v11i3.3899