Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM)

  • Hendry Cipta Husada Program Studi Teknik Informatika, Universitas Ciputra, Surabaya, Jawa Timur
  • Adi Suryaputra Paramita Program Studi Teknik Informatika, Universitas Ciputra, Surabaya, Jawa Timur
Keywords: Twitter, Opini, Analisis Sentimen, Maskapai Penerbangan, Machine Learning, Klasifikasi, Support Vector Machine

Abstract

Perkembangan teknologi saat ini telah memberikan kemudahan bagi banyak orang dalam mendapatkan dan menyebarkan informasi di berbagai social media platform. Twitter merupakan salah satu media yang kerap digunakan untuk menyampaikan opini sebagai bentuk reaksi seseorang atas suatu hal. Opini yang terdapat di Twitter dapat digunakan perusahaan maskapai penerbangan sebagai parameter kunci untuk mengetahui tingkat kepuasan publik sekaligus bahan evaluasi bagi perusahaan. Berdasarkan hal tersebut, diperlukan sebuah metode yang dapat secara otomatis melakukan klasifikasi opini ke dalam kategori positif, negatif, atau netral melalui proses analisis sentimen. Proses analisis sentimen dilakukan dengan proses data preprocessing, pembobotan kata menggunakan metode TF-IDF, penerapan algoritma, dan pembahasan atas hasil klasifikasi. Klasifikasi opini dilakukan dengan machine learning approach memanfaatkan algoritma multi-class Support Vector Machine (SVM). Data yang digunakan dalam penelitian ini adalah opini dalam bahasa Inggris dari para pengguna Twitter terhadap maskapai penerbangan. Berdasarkan pengujian yang telah dilakukan, hasil klasifikasi terbaik diperoleh menggunakan SVM kernel RBF pada nilai parameter ð¶(complexity) = 10 dan ð›¾(gamma) = 1, dengan nilai accuracy sebesar 84,37% dan 80,41% ketika menggunakan 10-fold cross validation.

Downloads

Download data is not yet available.

References

FAA. (2017). Federal Aviation Administration’s Air Traffic by the Numbers. Diakses dari: https://www.transtats.bts.gov/airports.asp

Zephoria. (2019). Top 10 Twitter Statistics — Updated October 2019. Diakses dari: https://zephoria.com/twitter-statistics-top- ten/

Hamdan, H., Bellot, P. & Bechet, F. (2015). Lsislif: Feature Extraction and Label Weighting for Sentiment Analysis in Twitter. Proceedings of International Workshop on Semantic Evaluation (SemEval-2015), pp. 568.

Rainarli, E. & Romadhan, A. (2017). Perbandingan Simple Logistic Classifier Dengan Support Vector Machine Dalam Memprediksi Kemenangan Atlet. Journal of Information Systems Engineering and Business Intelligence, pp. 87-91.

Malheiro, R., Panda, R., Gomes, P. & Paiva, R. P. (2013). Music Emotion Recognition from Lyrics: A Comparative Study. International Workshop on Machine Learning and Music.

Barawi, M.H. & Seng, Y.Y. (2013). Evaluation of Resources Creations by Using Sentiment Analysis. International Conference on Cognitive Science. Elsevier Publisher Inc.

Mustafa, A., Akbar, A. & Sultan, A. (2009). Knowledge Discovery Using Text Mining: A Programmable Implementation on Information Extraction and Categorization. International Journal of Multimedia and Ubiquitos Engineering, Vol. 4(2), April.

Vijayarani, S., Ilamathi, J. & Nithya. (2015). Preprocessing Techniques for Text Mining - An Overview. International Journal of Computer Science & Communication Networks, Vol. 5(1), pp. 7-16.

Indriati & Ridok A. (2016). Sentiment Analysis For Review Mobile Application Using Neighbor Method Weighted K-Nearest Neighbor (NWKNN). Journal of Environmental Engineering & Sustainable Technology, Vol. 03(01), July 2016, pp. 23-32.

Akbari, M.I.H.A.D., Novianty, A. & Setianingsih, C. (2012). Analisis Sentimen Menggunakan Metode Learning Vector Quantization. e-Proceeding of Engineering, Vol. 4(2), Agustus 2017, pp. 2283-2292.

Lidya, S.K., Sitompul, O.S. & Efendi, S. (2015). Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM) dan K-Nearest Neighbor (K- NN). Seminar Nasional Teknologi Informasi dan Komunikasi.

Sembiring, K. (2007). Penerapan Teknik Support Vector Machine Untuk Pendeteksian Intrusi Pada Jaringan [Skripsi]. Program Studi Teknik Informatika, Institut Teknologi Bandung.

Shandra, E.N., Setiawan B.D., Sari Y.A. (2019). Klasifikasi Pola Sidik Bibir untuk Menentukan Jenis Kelamin Manusia dengan Metode Gray Level Co- Occurrence Matrix dan Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 3(3), pp. 2753-2760.

Salekhah, C.I. (2016). Implementasi Metode Multi Class Support Vector Machine Untuk Klasifikasi Emosi pada Lirik Lagu Bahasa Indonesia. Universitas Komputer Indonesia (Unikom).

Published
2021-02-02
How to Cite
Husada, H. C., & Paramita, A. S. (2021). Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM). Teknika, 10(1), 18-26. https://doi.org/10.34148/teknika.v10i1.311
Section
Articles