Analisis Sentimen Menggunakan Support Vector Machine Masyarakat Indonesia Di Twitter Terkait Bjorka

  • Adhitya Karel Maulaya STMIK Amik Riau
  • Junadhi STMIK Amik Riau

Abstract

Belum lama ini seorang hacker bersamarkan nama bjorka menjadi pembahasan hangat pada media sosial. Dikarenakan gerakannya meretas beraneka macam data pribadi pada kalangan masyarakat sekalipun dokumen pemerintah yang sering sebagai tujuan aksinya. Terlebih sebagian besar dokumen diduga kepemilikan Presiden Indonesia Joko Widodo telah dibongkar. Gerakan hacker bersamarkan nama Bjorka membongkar data pribadi kepemilikan pemerintah juga meraih dukungan dari sebagian besar warga netizen pada media sosial. Pada kasus ini penulis memakai metode Support Vector Machine guna menghasilkan tahapan optimal. Seiring meningkatnya penggunaan Twitter, media sosial yang berkomputasi dengan waktu nyata terhadap masyarakat mampu mengirimkan berbagai ungkapan maupun tanggapannya pada aksi yang dilakukan oleh bjorka, perlu dirancangnya sistem yang sanggup mengklasifikasi sejumlah cuitan berbobotkan opini mengarah pada suatu kelas, tergolong positif, negatif dan netral.

Downloads

Download data is not yet available.

References

A. M. Pravina, I. Cholissodin, and P. P. Adikara, “Analisis Sentimen Tentang Opini Maskapai Penerbangan pada Dokumen Twitter Menggunakan Algoritme Support Vector Machine (SVM),” 2019. [Online]. Available: http://j-ptiik.ub.ac.id

N. Choudhary, R. Singh, V. A. Rao, and M. Shrivastava, “Twitter corpus of Resource-Scarce Languages for Sentiment Analysis and Multilingual Emoji Prediction.” [Online]. Available: http://trec.nist.gov/data/tweets

Bachtiarudin Alam, “Hacker Bjorka Bikin Ulah, Bagaimana Nasib Data Pribadi Masyarakat?,” liputan6.com, Sep. 15, 2022. https://www.liputan6.com/news/read/5070385/hacker-bjorka-bikin-ulah-bagaimana-nasib-data-pribadi-masyarakat (accessed Nov. 10, 2022).

L. Aji Andika and P. Amalia Nur Azizah, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” 2019.

T. Prasetyo, H. Zakaria, and P. Wiliantoro, “OKTAL : Jurnal Ilmu Komputer dan Sains Analisis Layanan Pelanggan PT PLN Berdasarkan Media Sosial Twitter Dengan Menggunakan Metode Naïve Bayes Classifier.” [Online]. Available: https://journal.mediapublikasi.id/index.php/oktal

R. Rahmaddeni, M. K. Anam, Y. Irawan, S. Susanti, and M. Jamaris, “Comparison of Support Vector Machine and XGBSVM in Analyzing Public Opinion on Covid-19 Vaccination,” ILKOM Jurnal Ilmiah, vol. 14, no. 1, pp. 32–38, Apr. 2022, doi: 10.33096/ilkom.v14i1.1090.32-38.

R. R. Rerung, “Penerapan Data Mining dengan Memanfaatkan Metode Association Rule untuk Promosi Produk,” Jurnal Teknologi Rekayasa, vol. 3, no. 1, p. 89, Jun. 2018, doi: 10.31544/jtera.v3.i1.2018.89-98.

D. Muhidin and A. Wibowo, “STRING (Satuan Tulisan Riset dan Inovasi Teknologi) PERBANDINGAN KINERJA ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR TERHADAP ANALISIS SENTIMEN KEBIJAKAN NEW NORMAL.” [Online]. Available: www.kompas.com

A. Pramudiansyah and H. Munte, “SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN MODEL RECENCY FREQUENCY MONETARY,” vol. 7, no. 2, 2021, [Online]. Available: http://ejournal.fikom-unasman.ac.id

H. S. Obaid, S. A. Dheyab, and S. S. Sabry, “The impact of data pre-processing techniques and dimensionality reduction on the accuracy of machine learning,” in 2019 9th Annual Information Technology, Electromechanical Engineering and Microelectronics Conference (IEMECON), 2019, pp. 279–283.

J. Homepage, F. Akbar, H. Wira Saputra, A. Karel Maulaya, and M. Fikri Hidayat, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Implementation of Decision Tree Algorithm C4.5 and Support Vector Regression for Stroke Disease Prediction Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke,” vol. 2, pp. 61–67, 2022.

E. H. Houssein, A. Hammad, and A. A. Ali, “Human emotion recognition from EEG-based brain–computer interface using machine learning: a comprehensive review,” Neural Computing and Applications, vol. 34, no. 15. Springer Science and Business Media Deutschland GmbH, pp. 12527–12557, Aug. 01, 2022. doi: 10.1007/s00521-022-07292-4.

D. Chandola, A. Mehta, S. Singh, V. A. Tikkiwal, and H. Agrawal, “Forecasting Directional Movement of Stock Prices using Deep Learning,” Annals of Data Science, 2022, doi: 10.1007/s40745-022-00432-6.

S. Alim, “IMPLEMENTASI ORANGE DATA MINING UNTUK KLASIFIKASI KELULUSAN MAHASISWA DENGAN MODEL K-NEAREST NEIGHBOR, DECISION TREE SERTA NAIVE BAYES ORANGE DATA MINING IMPLEMENTATION FOR STUDENT GRADUATION CLASSIFICATION USING K-NEAREST NEIGHBOR, DECISION TREE AND NAIVE BAYES MODELS.”

E. I. Program, S. Sistem, I. A. Kampus, and K. Bogor, “Klasifikasi Text Mining Review Produk Kosmetik Untuk Teks Bahasa Indonesia Menggunakan Algoritma Naive Bayes,” vol. VII, no. 1, 2019.

L. Mutawalli, M. Taufan, A. Zaen, and W. Bagye, “KLASIFIKASI TEKS SOSIAL MEDIA TWITTER MENGGUNAKAN SUPPORT VECTOR MACHINE (Studi Kasus Penusukan Wiranto),” 2019. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jire

R. Gunawan, R. Septiadi, F. Apri Wenando, H. Mukhtar, and Syahril, “K-Nearest Neighbor (KNN) untuk Menganalisis Sentimen terhadap Kebijakan Merdeka Belajar Kampus Merdeka pada Komentar Twitter,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 2, pp. 152–158, Aug. 2022, doi: 10.37859/coscitech.v3i2.3841.

A. H. Husen, A. S. Nur Afiah, S. Soesanti, and F. Tempola, “Deteksi Dini Resiko Tuberkulosis di Kota Ternate: Pelacakan dan Implementasi Algoritma Klasifikasi,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 2, pp. 217–225, Aug. 2022, doi: 10.37859/coscitech.v3i2.3986.

Published
2022-12-30
Abstract views: 47 , pdf (Bahasa Indonesia) downloads: 35