Analisis Sentimen Berbasis Aspek Kinerja Polri Menggunakan SVM dengan Pendekatan POS Tagging
Beragam opini masyarakat terkait kinerja POLRI terus bermunculan pada media sosial Twitter. Analisis sentimen dilakukan untuk mengetahui kecenderungan sentimen opini masyarakat dan aspek kinerja yang dibahas pada opini tersebut. Penelitian ini bertujuan untuk mengetahui aspek kinerja yang dibahas p...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Institut Bisnis dan Teknologi Indonesia
2024-08-01
|
| Series: | SINTECH (Science and Information Technology) Journal |
| Subjects: | |
| Online Access: | https://ejournal.instiki.ac.id/index.php/sintechjournal/article/view/1568 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Beragam opini masyarakat terkait kinerja POLRI terus bermunculan pada media sosial Twitter. Analisis sentimen dilakukan untuk mengetahui kecenderungan sentimen opini masyarakat dan aspek kinerja yang dibahas pada opini tersebut. Penelitian ini bertujuan untuk mengetahui aspek kinerja yang dibahas pada data tweet dan sentimen data tweet berdasarkan aspek kinerja POLRI. POS Tagging digunakan sebagai klasifikasi aspek kinerja POLRI yang meliputi “penanganan kejahatan”, “kecepatan respon”, “interaksi terhadap masyarakat”, dan “tidak beraspek”, serta metode Support Vector Machine (SVM) sebagai proses klasifikasi sentimen “positif”, “negatif”, dan “netral”. Proses POS Tagging dilakukan menggunakan metode Conditional Random Field (CRF), melalui teknik Bio-Tags dengan melabelkan aspek kinerja berdasarkan koleksi kata yang mencerminkan klasifikasi aspek kinerja. Pemodelan klasifikasi sentimen berdasarkan aspek kinerja POLRI dibangun dengan metode SVM. Diperoleh 1103 tweet melalui API Twitter dalam kurun waktu Januari 2023 sampai Oktober 2023 sebagai dataset awal, yang dibagi menjadi 80% data training dan 20% data testing. Hasil penelitian menunjukkan model klasifikasi sentimen berbasis aspek kinerja menggunakan SVM dengan pendekatan POS Tagging memperoleh akurasi sebesar 81%, presisi sebesar 83%, recall sebesar 81%, dan F1-score sebesar 81%.Penggunaan metode klasifikasi machine learning lainnya, kontinuitas penggunaan data awal, dan pengembangan aspek yang dianalisis dapat menjadi saran untuk pengembangan penelitian kedepannya.
|
|---|---|
| ISSN: | 2598-7305 2598-9642 |