Analisis Sentimen Twitter terhadap Bom Bunuh Diri di Surabaya 13 Mei 2018 menggunakan Pendekatan Support Vector Machine

Main Article Content

Listari Listari
Munaffidzul Ihsan
Eky Roza Paradistiac
Edy Widodo

Abstract

Salah satu media sosial yang sedang populer saat ini adalah Twitter. Kebiasaan masyarakat mem-posting tweet untuk menilai atau menanggapi peristiwa yang terjadi akhir-akhir ini adalah salah satu media yang merepresentasikan tanggapan masyarakat terhadap peristiwa tersebut. Salah satu peristiwa yang sedang hangat diperbincangkan adalah terjadinya peledakan bom bunuh diri di Surabaya tanggal 13 Mei 2018. Melalui postingan tweet tersebut peneliti menganalisis tweet berbahasa Indonesia yang berkaitan dengan peristiwa tersebut atau sering disebut analisis sentimen. Analisis dilakukan dengan melakukan klasifikasi untuk menggambarkan sentimen masyarakat, data diklasifikasikan menjadi 2 kondisi, yaitu sentimen positif dan sentimen negatif. Sentimen negatif  mendominasi yaitu sebanyak 1921 tweets dan sentimen positif sebanyak 121 tweets. Metode klasifikasi yang digunakan dalam penelitian ini adalah Support Vector Machine (SVM). Hasil klasifikasi yang diperoleh dengan menggunakan metode SVM memiliki tingkat akurasi sebesar 100% yang diuji dengan data testing sebanyak 1708 data dan dilatih dengan data training sebanyak 334 data. Secara keseluruhan SVM cukup baik untuk melakukan klasifikasi pada data tweet ini.

Article Details

How to Cite
Listari, L., Ihsan, M., Paradistiac, E. R., & Widodo, E. (2019). Analisis Sentimen Twitter terhadap Bom Bunuh Diri di Surabaya 13 Mei 2018 menggunakan Pendekatan Support Vector Machine. PRISMA, Prosiding Seminar Nasional Matematika, 2, 416-426. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/29027
Section
Articles

References

Dang, Y., Y. Zhang, and H. Chen. 2010.A Lexicon-Enhanced Method for Sentiment Classification: An Experiment on Online Product Reviews. IEEE Intelligent Systems 46-53.
Endah, S. N., and D. M. KN. 2012. Klasifikasi Ucapan Kata dengan Support Vector Machine. Jurnal Masyarakat Informatika 7-14.
Firmansyah, H. 2010. Upaya Penanggulangan Tindak Pidana Terorisme di Indonesia. Yogyakarta: Universitas Gajah Mada.
Hidayat, A. N. 2015. Analisis Sentimen terhadap Wacana Politik pada Media Masa Online menggunakan ALgoritma Support Vector Machine dan Naive Bayes. Jurnal Elektronik Sistem Informasi dan Komputer.
Kurniawan, D., and C. Supriyanto. 2013. Optimasi Algoritma Support Vector Machine (SVM) menggunakan Adaboost untuk Penilaian Risiko Kredit. Jurnal Teknologi Informasi 38-49.
Purwoto, A. 2007. Panduan Laboratorium Statistik Inferensial. Jakarta: Gramedia Widiasarana Indonesia.
Pradana, M., and A. Reventiary. 2016. Pengaruh Atribut Produk terhadap Keputusan Pembelian Sepatu Merek Customade .Jurnal Manajemen 1:10.
Raharjo, S.N. I. 2016. Melihat Kembali Penanggulangan Trorisme di Indonesia melalui Deradikalisasi.Jurnal Ilmu Politik 125-138.
Ravichandran, M., and G. Kulanthaivel. 2014.Twitter Sentiment Mining (TSM) Framework Based Learners Emotional State Classification And Visualization For E-Learning System. Journal of Theoretical and Applied Information Technology 84-90.
Setyobudi, W., A. Alwi, and I. P Astuti. 2018. Sentimen Analisis Twitter terhadap Penyelenggaraan Gojek Traveloka Liga 1 Indonesia. Artikel Ilmiah Mahasiswa 56-68.
Susilowati, E., M. K. Sabariah, and A. A. Gozali. 2015. Implementasi Mmetode Support Vector Machine untuk Melakukan Klasifikasi Kemacetan Lalu Lintas. e-Proceeding of Engineering. Bandung: ISSN : 2355-9365. 1498-1484.
Wearesocial. 2018. Global Digital Report 2018. (Online). (https://wearesocial.com/blog/2018/01/global-digital-report-2018, diakses 1 Juni 2018).