Analysis of Covid-19 Vaccine Policy Sentiment Using SVM and C4.5

Muhammad Siddik Hasibuan, suhardi suhardi

Abstract


Analisis sentimen terhadap kebijakan vaksin covid-19 di Indonesia menjadi suatu hal yang perlu untuk diteliti. Opini tersebut dapat di jadikan suatu model penelitian, yaitu menggunakan metode klasifikasi data mining menggunakan algortima SVM dan C4.5. Dataset yang digunakan adalah opini atau sentimen masyarakat yang di posting pada media sosial twitter. Data yang diambil sebanyak 200 data, selanjutnya dilakukan proses pre-prosessing menggunakan metode TD-IDF data menjadi 137 dateset. Proses selanjutnya menyeimbangkan data dengan fungsi SMOTE, hasil dari performance dari algoritma SVM mendapat nilai akurasi 99.46 sedangkan algoritma C4.5 mendapat nilai akurasi 69.02. Dari hasil analisis yang dilakukan algoritma SVM mendapat nilai optimum yang lebih baik dari algoritma C4.5.

Keywords


analisis sentimen, SVM, C4.5, TD-IDF, SMOTE

Full Text:

PDF

References


L. Zhang, R. Ghosh, M. Dekhil, M. Hsu, and B. Liu, “Combining lexicon-based and learning-based methods for twitter sentiment analysis,” HP Lab. Tech. Rep., 2011.

M. Myslín, S. H. Zhu, W. Chapman, and M. Conway, “Using twitter to examine smoking behavior and perceptions of emerging tobacco products,” J. Med. Internet Res., 2013, doi: 10.2196/jmir.2534.

R. Kurniawan And A. Apriliani, “Analisis Sentimen Masyarakat Terhadap Virus Corona Berdasarkan Opini Dari Twitter Berbasis Web Scraper,” J. Instek (Informatika Sains Dan Teknol., 2020, Doi: 10.24252/Instek.V5i1.13686.

A. A. Lutfi, A. E. Permanasari, and S. Fauziati, “Corrigendum: Sentiment Analysis in the Sales Review of Indonesian Marketplace by Utilizing Support Vector Machine,” J. Inf. Syst. Eng. Bus. Intell., 2018, doi: 10.20473/jisebi.4.2.169.

N. Munasatya and S. Novianto, “Natural Language Processing untuk Sentimen Analisis Presiden Jokowi Menggunakan Multi Layer Perceptron,” Techno.Com, 2020, doi: 10.33633/tc.v19i3.3630.

M. Nurjannah, Hamdani, and I. Fitri Astuti, “Penerapan Algoritma Term Frequency-Inverse Document Frequency (Tf-Idf) Untuk Text Mining,” J. Inform. Mulawarman, 2013.

M. J. Zaki, “OLD---Data Mining and Analysis: Fundamental Concepts and Algorithms,” Personal. Soc. Psychol. Bull., 1997.

D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning: Methods and Applications to Brain Disorders, 2019.

S. Suthaharan, Machine Learning Models and Algorithms for Big Data Classification. 2016.

A. Fernández, S. García, F. Herrera, and N. V. Chawla, “SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary,” Journal of Artificial Intelligence Research. 2018, doi: 10.1613/jair.1.11192.




DOI: https://doi.org/10.21107/triac.v9i2.14781

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Jurnal Teknik Elektro dan Komputer TRIAC

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License
Indexed by: