UNMUHUNMUH

JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)

Perkembangan kendaraan listrik di Indonesia memicu berbagai opini dari masyarakat yang sering dibagikan melalui media sosial, terutama X. Opini tersebut perlu dianalisis untuk bisa memahami bagaimana masyarakat memandang kebijakan serta pelaksanaan kendaraan yang ramah lingkungan. Penelitian ini bertujuan untuk membandingkan dua jenis algoritma pengklasifikasian teks, yaitu Naïve Bayes dan Support Vector Machine (SVM) dalam melihat opini masyarakat terhadap kendaraan listrik dengan menggunakan pendekatan Term Frequency–Inverse Document Frequency (TF-IDF). Data yang digunakan adalah tweet dalam bahasa Indonesia yang dikumpulkan melalui proses crawling, lalu melewati beberapa tahap pra-proses seperti cleaning, case folding, normalisasi, tokenizing, stopword removal, dan stemming. Setelah itu, data diberi label sentimen menjadi tiga kategori, yaitu positif, negatif, dan netral, sebelum diolah menggunakan algoritma klasifikasi. Untuk mengevaluasi kemampuan model, digunakan confusion matrix yang menunjukkan performa algoritma berdasarkan nilai akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki hasil yang lebih baik dengan akurasi sebesar 92%, sedangkan SVM mencapai akurasi sebesar 76%. Karena itu, algoritma Naïve Bayes dianggap lebih cocok untuk menganalisis sentimen dari tweet terkait kendaraan listrik di Indonesia.

Penelitian ini berhasil membandingkan algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen masyarakat terhadap kendaraan listrik di Indonesia menggunakan pendekatan TF-IDF pada data X terbaru.Algoritma Naïve Bayes menunjukkan performa yang lebih baik dibandingkan SVM, dengan akurasi sebesar 92%.Temuan ini menunjukkan bahwa Naïve Bayes lebih efektif dalam menangani data teks X pada penelitian ini dan memberikan gambaran yang lebih akurat mengenai opini publik terhadap kendaraan listrik.

Penelitian selanjutnya dapat dilakukan dengan mengeksplorasi penggunaan model deep learning seperti LSTM atau transformer untuk meningkatkan akurasi analisis sentimen, terutama dengan mempertimbangkan kompleksitas bahasa dan konteks percakapan di media sosial. Selain itu, studi lebih lanjut dapat difokuskan pada identifikasi faktor-faktor spesifik yang memengaruhi sentimen masyarakat terhadap kendaraan listrik, seperti harga, infrastruktur pengisian daya, atau kebijakan pemerintah, dengan menggunakan teknik analisis topik atau asosiasi. Terakhir, penelitian dapat diperluas dengan menganalisis sentimen dari berbagai platform media sosial lainnya, seperti Instagram atau TikTok, untuk mendapatkan gambaran yang lebih komprehensif mengenai persepsi publik terhadap kendaraan listrik di Indonesia, sehingga dapat memberikan rekomendasi yang lebih tepat sasaran kepada pemangku kepentingan terkait.

  1. Pendekatan Machine Learning: Analisis Sentimen Masyarakat Terhadap Kendaraan Listrik Pada Sosial Media... doi.org/10.19109/jusifo.v9i2.21354Pendekatan Machine Learning Analisis Sentimen Masyarakat Terhadap Kendaraan Listrik Pada Sosial Media doi 10 19109 jusifo v9i2 21354
  2. Perbandingan Algoritma Maching Learning dalam Analisis Sentimen Mobil Listrik di Indonesia pada Media... jurnal.polinema.ac.id/index.php/jip/article/view/5130Perbandingan Algoritma Maching Learning dalam Analisis Sentimen Mobil Listrik di Indonesia pada Media jurnal polinema ac index php jip article view 5130
  3. Analisis Sentimen terhadap RSUD Salatiga Menggunakan SVM dan TF-IDF | Jurnal Indonesia : Manajemen Informatika... journal.stmiki.ac.id/index.php/jimik/article/view/1208Analisis Sentimen terhadap RSUD Salatiga Menggunakan SVM dan TF IDF Jurnal Indonesia Manajemen Informatika journal stmiki ac index php jimik article view 1208
Read online
File size470.53 KB
Pages9
DMCAReport

Related /

ads-block-test