PERBANDINGAN SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR PADA ANALISIS SENTIMEN PELAKSANAAN PEMILIHAN PRESIDEN TAHUN 2024

Alfan Raidi Noor, Dwi Normawati

Abstract


Pada pelaksanaannya, Pemilihan Presiden Tahun 2024 mengundang berbagai opini dari masyarakat karena dianggap kontroversial. Opini publik tersebut banyak disampaikan melalui media sosial X. Tujuan penelitian ini adalah untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dengan K-Nearest Neighbor (KNN) dengan menggunakan 3 metode ekstraksi fitur, yaitu Term Frequency–Inverse Document Frequency (TF-IDF), Bag-of-Words (BoW), dan Word2Vec. Dikumpulkan 20088 data tweet dari X dan dilakukan preprocessing yang menghasilkan 13651 tweet. Data tersebut kemudian diolah dengan masing-masing model algoritmanya dan diuji dengan confusion matriks. Hasil perbandingan menunjukkan akurasi SVM dengan TF-IDF adalah 81%, akurasi SVM dengan BoW adalah 80%, dan SVM dengan Word2Vec adalah 71%. Sedangkan untuk KNN, kombinasi terbaiknya didapatkan oleh KNN dengan TF-IDF dengan akurasi sebesar 67%. Hasil ini menunjukkan bahwa dalam analisis sentimen SVM lebih unggul daripada KNN, serta TF-IDF merupakan teknik ekstraksi fitur yang lebih efektif dibandingkan BoW dan Word2Vec. Penelitian ini memberikan wawasan tentang pemilihan algoritma klasifikasi dan ekstraksi fitur yang lebih baik untuk pengembangan analisis data teks serta memahami opini publik untuk pengelolaan pelaksanaan Pemilihan Presiden yang lebih lanjut.

Keywords


Analisis Sentimen; Ekstraksi fitur; K-Nearest Neighbor; Pemilihan Presiden; Support Vector Machine

Full Text:

PDF

References


Universitas Muhammadiyah Yogyakarta, “Terkait Putusan MK Soal Batas Usia Capres- Cawapres, Ini Pandangan Pakar UMY.” Diakses: 20 April 2024. [Daring]. Tersedia pada: https://www.umy.ac.id/terkait-putusan-mk-soal-batas-usia-capres-cawapres-ini-pandangan-pakar-umy

A. N. Izzati, “Analisis Sentimen Hasil Putusan MK Terkait Sengketa Pilpres 2024 Pada Media Sosial X Dengan Metode Naïve Bayes,” Jurnal Teknologi Informasi Indonesia (JTII), vol. 09, no. 01, Mei 2024.

F. Herlando, A. R. Dzikrillah, F. Nufairi, E. Sinduningrum, dan M. Sholeh, “Analisis Perbandingan Sentiment dan Perbincangan Netizen Terhadap Twitter Pasca Pergantian Nama,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 1, hlm. 360–367, Feb 2024, doi: 10.29100/jipi.v9i1.4934.

O. Manullang, C. Prianto, dan N. H. Harani, “Analisis Sentimen Untuk Memprediksi Hasil Calon Pemilu Presiden Menggunakan Lexicon Based dan Random Forest,” Jurnal Ilmiah Informatika (JIF), 2023.

A. P. Nardilasari, A. L. Hananto, S. S. Hilabi, dan B. Priyatna, “Analisis Sentimen Calon Presiden 2024 Menggunakan Algoritma SVM Pada Media Sosial Twitter,” JOINTECS (Journal of Information Technology and Computer Science), vol. 8, no. 1, hlm. 11–18, 2023.

N. A. Salsabila, “Analisis Sentimen Pada Media Sosial Twitter Terhadap Tokoh Gus Dur Menggunakan Metode Naïve Bayes Dan Support Vector Machine (SVM),” UIN Syarif Hidayatullah, Jakarta, 2022.

M. I. Fikri, T. S. Sabrila, dan Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA JURNAL, vol. 10, no. 02, hlm. 71–76, Des 2020, doi: 10.32664/smatika.v10i02.455.

A. L. Hananto, A. P. Nardilasari, A. Fauzi, A. Hananto, B. Priyatna, dan A. Y. Rahman, “Best Algorithm in Sentiment Analysis of Presidential Election in Indonesia on Twitter,” International Journal of Intelligent Systems and Applications in Engineering IJISAE, vol. 11, no. 6s, hlm. 473–481, 2023, Diakses: 10 April 2024. [Daring]. Tersedia pada: https://ijisae.org/index.php/IJISAE/article/view/2872

H. Hilmi Zain, R. Maulana Awannga, dan W. Isti Rahayu, “Perbandingan Model SVM, KNN Dan Naïve Bayes Untuk Analisis Sentiment Pada Data Twitter: Studi Kasus Calon Presiden 2024,” JIMPS: Jurnal Ilmiah Mahasiswa Pendidikan Sejarah, vol. 8, no. 3, hlm. 2083–2093, 2023, doi: 10.24815/jimps.v8i3.25342.

I. Salsabila dan S. Fadhila Sari, “Comparison Of K-Nearest Neighbor And Support Vector Machine For Sentiment Analysis Of The Second Covid-19 Booster Vaccination,” Journal of Applied Statistics and Data Science, vol. 1, no. 1, hlm. 58–70, 2024.

P. A. Prastyo, B. Berlilana, dan I. Tahyudin, “Analisis Sentimen dan Pemodelan Topik pada Ulasan Pengguna Aplikasi myIM3 Menggunakan Support Vector Machine dan Latent Dirichlet Allocation,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, hlm. 1618–1626, Des 2024, doi: 10.47065/bits.v6i3.6268.

N. Fajriyah, N. T. Lapatta, D. W. Nugraha, dan R. Laila, “IMPLEMENTASI SVM DAN SMOTE PADA ANALISIS SENTIMEN MEDIA SOSIAL X TERHADAP PELANTIKAN AGUS HARIMURTI YUDHOYONO,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 2, hlm. 1359–1370, Mar 2025, doi: 10.29100/jipi.v10i2.6246.

T. K. Deo, R. K. Deshmukh, dan G. Sharma, “Comparative Study of Performance of K Nearest Neighbor and Support Vector Machine Classifiers in Sentiment Analysis,” International Research Journal of Engineering and Technology, 2024, [Daring]. Tersedia pada: www.irjet.net

B. Darmawan, A. Dwi Laksito, M. R. A. Yudianto, dan A. Sidauruk, “Analisis Perbandingan Ekstraksi Fitur Teks pada Sentimen Analisis Kenaikan Harga BBM,” Krea-TIF: Jurnal Teknik Informatika, vol. 11, no. 1, hlm. 53–63, 2023, doi: 10.32832/krea-tif.v11i1.13819.

D. Sunitha, R. K. Patra, N. V. Babu, A. Suresh, dan S. C. Gupta, “Twitter Sentiment Analysis Using Ensemble Based Deep Learning Model Towards COVID-19 in India and European Countries,” Pattern Recognit Lett, vol. 158, hlm. 164–170, Jun 2022, doi: 10.1016/j.patrec.2022.04.027.

H. D. Ahmad, E. Y. Puspaningrum, dan R. Mumpuni, “Studi Performa TF-IDF dan Word2Vec Pada Analisis Sentimen Cyberbullying,” Router : Jurnal Teknik Informatika dan Terapan, no. 2, hlm. 94–106, 2024, doi: 10.62951/router.v2i2.76.

I. C. Bu’ulolo, I. F. Sinaga, dan W. E. Ambarita, “Comparison of support vector machine and K-Nearest Neighbor algorithms in Indonesia hoax classification,” dalam AIP Conference Proceedings, American Institute of Physics Inc., Nov 2022. doi: 10.1063/5.0111178.

A. R. Hidayati, A. S. Fitrani, dan M. A. Rosid, “Analisa Sentimen Pemilu 2019 Pada Judul Berita Online Menggunakan Metode Logistic Regression,” KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), vol. 4, no. 2, hlm. 298–305, 2023.

T. Safitri, Y. Umaidah, dan I. Maulana, “Analisis Sentimen Pengguna Twitter Terhadap BTS Menggunakan Algoritma Support Vector Machine,” Journal of Applied Informatics and Computing (JAIC), vol. 7, no. 1, hlm. 34, 2023, [Daring]. Tersedia pada: http://jurnal.polibatam.ac.id/index.php/JAIC

T. Oladunni, R. Olusegun, H. Audu, dan S. Bengesi, “A Machine Learning-Sentiment Analysis on Monkeypox Outbreak: An Extensive Dataset to Show the Polarity of Public Opinion From Twitter Tweets,” IEEE Access, vol. 11, hlm. 11811–11826, 2023, doi: 10.1109/ACCESS.2023.3242290.

S. Biswas, K. Young, dan J. Griffith, “A Comparison of Automatic Labelling Approaches for Sentiment Analysis,” dalam Proceedings of the 11th International Conference on Data Science, Technology and Applications DATA - Volume 1, Lisbon, Portugal, Nov 2022. doi: 10.5220/0011265900003269.

Styawati, A. R. Isnain, N. Hendrastuty, dan L. Andraini, “Comparison of Support Vector Machine and Naïve Bayes on Twitter Data Sentiment Analysis,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 6, no. 1, 2021.

E. Alpaydin, Introduction to Machine Learning, 2 ed. Cambridge, United States: MIT Press, 2010.




DOI: https://doi.org/10.29100/jipi.v11i2.8120

Refbacks

  • There are currently no refbacks.


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

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

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