Analisis Sentimen Masyarakat Mengenai Gerakan Childfree di Media Sosial X Menggunakan Algoritma NBC dan SVM
Sentiment Analysis of Childfree Campaign on X Social Media Using NBC and SVM Algorithms
DOI:
https://doi.org/10.57152/malcom.v4i4.1356Keywords:
Analisis Sentimen, Childfree, Media Sosial X, NBC, SVMAbstract
Anak merupakan salah satu entitas yang umum dalam membentuk sebuah keluarga, namun dalam beberapa tahun kebelakang muncul pembahasan mengenai childfree. Dengan banyaknya perdebatan pro-kontra mengenai childfree, perlu dilakukannya sentimen analisis terkait isu ini. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat mengenai gerakan childfree di media sosial X menggunakan algoritma Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Sentimen dibagi menjadi 3 kelas yaitu positif, negatif, dan netral. Penelitian ini mengumpulkan data dengan crawling data pada media sosial X dengan keyword childfree. Data yang diperoleh merupakan data teks mentah sehingga dibutuhkan tahap pra proses. Tahap pra proses yang dilakukan adalah tokenizing, case folding, filter stopword, stemming, TF-IDF, dan data balancing. Berdasarkan simulasi, performa algoritma NBC adalah: akurasi = 56,36%, presisi = 56,41%, dan recall = 56,35%, sedangkan performa algoritma SVM adalah: akurasi 76,12%, presisi 76,36%, dan recall 76,13%. Sehingga dapat disimpulkan bahwa SVM memiliki performa yang lebih baik dari pada NBC pada analisis sentimen di penelitian ini.
References
Q. Shihab, Kisah-Kisah Inspiratif Seputar Pernikahan dan Keluarga. Jakarta: Lentera Hati, 2013.
UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 1 TAHUN 1974 TENTANG PERKAWINAN.
Q. Shihab, Pandangan Hidup Muslim: Dari Masalah Akhirat sampai Ziarah Kubur. Jakarta: Lentera Hati, 2003.
A. Azra, Memahami Keluarga Islami: Tantangan & Harapan. Jakarta: Gema Insani Press, 2011.
Y. D. Damayanti, A. A. Refiana, M. Fardan, and A. Nuary, “Fenomena Childfree Di Twitter Pada Generasi Millenial.” Prosiding Konferensi Ilmiah Pendidikian, vol. 3, p. 879, 2022.
A. M. Pravina, I. Cholissodin, and P. P. Adikara, “Analisis Sentimen Tentang Opini Maskapai Penerbangan pada Dokumen Twitter Menggunakan Algoritme Support Vector Machine (SVM),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 3, pp. 2789-2797, 2019.
Syadid Faqi, “Analisis Sentimen Komentar Netizen Terhadap Calon Presiden Indonesia 2019 dari Twitter Menggunakan Algoritman Term Frequency-Invers Document Frequency dan Metode Multi Layer Perceptron Neural Network”. Jakarta: UIN Syarif Hidayatullah Jakarta, 2019.
B. Syamsul, P. Alvin and M. M. Dwi, “Penerapan Naïve Bayes Classifier Dengan Algoritma Stemming Nazief Dan Adriani Untuk Aplikasi Deteksi Ujaran Kebencian Berbasis Web,” Coding : Jurnal Komputer Dan Aplikasi. vol. 8, no. 1, pp. 227–236, 2020.
A. Mccallum, K. Nigam, and L. H. Ungar, “Efficient Clustering of High-Dimensional Data Sets with Application to Reference Matching,” in Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data mining, Boston, 2000
C. J. C. Burges, “A Tutorial on Support Vector Machines for Pattern Recognition,” Data Mining And Knowledge Discovery, vol. 2, no. 2, pp. 121-167, 1998.
S. Bumbungan, “Penerapan Particle Swarm Optimization (PSO) dalam Pemilihan Parameter Secara Otomatis pada Support Vector Machine (SVM) untuk Prediksi Kelulusan Mahasiswa Politeknik Amamapare Timika,” Jurnal Teknik AMATA, vol. 04, no. 1, 2023.
B. Laurensz, A. Sentimen, and E. Sediyono, “Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19.” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 10, no. 2, pp. 118-123, 2021.
A. Ariansyah and M. Kusmira, “Analisis Sentimen Pengaruh Pembelajaran Daring Terhadap Motivasi Belajar Di Masa Pandemi Menggunakan Naive Bayes Dan Svm,” Faktor Exacta, vol. 14, no. 3, p. 100, Oct. 2021, doi: 10.30998/faktorexacta.v14i3.10325.
E. E. Pratama, “Perbandingan Algoritma untuk Klasifikasi Komentar Mahasiswa pada Pembelajaran Daring,” CYBERNETICS, vol. 6, no. 01, pp. 1–9, 2022.
D. Gunawan, D. Riana, D. Ardiansyah, F. Akbar, and S. Alfarizi, “Komparasi Algoritma Support Vector Machine Dan Naïve Bayes Dengan Algoritma Genetika Pada Analisis Sentimen Calon Gubernur Jabar 2018-2023”, Jurnal Teknik Komputer AMIK BSI, vol. 6, no. 1, 2020. doi: 10.31294/jtk.v4i2.
D. Asfi Warraihan, I. Permana, R. Novita, and A. Marsal, “Analisis Sentimen Pengguna Transportasi Online Maxim Pada Instagram Menggunakan Naïve Bayes Classifier dan K-Nearest Neighbor,” Jurnal Media Informatika Budidarma, vol. 7, no. 3, pp. 1134–1143, 2023, doi: 10.30865/mib.v7i3.6336.
A. Ledy, “Perbandingan Algoritma Stemming Porter Dengan Algoritma Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa Indonesia,” in Konferensi Nasional Sistem dan Informatika, Bali, 2009.
P. Fremmuzar and A. Baita, “Uji Kernel SVM dalam Analisis Sentimen Terhadap Layanan Telkomsel di Media Sosial Twitter,” Komputika?: Jurnal Sistem Komputer, vol. 12, no. 2, pp. 57–66, Sep. 2023, doi: 10.34010/komputika.v12i2.9460.
W. I. Sabilla and C. B. Vista, “Implementasi SMOTE dan Under Sampling pada Imbalanced Dataset untuk Prediksi Kebangkrutan Perusahaan,” Jurnal Komputer Terapan : Jurnal Politeknik Caltex Riau, vol. 7, no. 2, pp. 329-339, 2021.
Y. Rizki and A. Nugraha, “Implementasi Algoritme Support Vector Machine Untuk Klasifikasi Penyesuaian Uang Kuliah Tunggal Terdampak Pandemi Covid-19 (Studi Kasus: Universitas Siliwangi),” Jurnal Teknik Informatika Kaputama (JTIK), vol. 5, no. 2, 2021.
C. Nello and S.T. Jhon, “An Introduction to Support Vector Machines and Other Kernel-based Learning Methods,” in Cambridge University Press, Cambridge: Cambridge University, 2000.
