Analisis Sentimen Masyarakat Twitter Terhadap Kebijakan Pemerintah Dalam Menaikkan Harga Bahan Bakar Minyak Dengan Menggunakan Metode Support Vector Machine

Abstract

Tujuan dari penelitian ini adalah sebagai berikut : Pertama, melaksanakan implementasi untuk mengambil data tweet yang berkaitan dengan kebijakan pemerintah tentang kenaikan harga bahan bakar minyak. Kedua, menganalisis sentimen positif dan negatif dari data tweet mengenai kebijakan tersebut dengan menggunakan metode Support Vector Machine. Ketiga, melakukan implementasi dari hasil pemrosesan sentimen positif dan negatif mengenai kebijakan kenaikan harga bahan bakar minyak pemerintah menggunakan metode Support Vector Machine untuk mendapatkan akurasi. Studi kasus tentang kebijakan kenaikan harga bahan bakar minyak pemerintah dilakukan melalui langkah-langkah berikut : studi literatur, analisis kebutuhan, pengumpulan data, perancangan, evaluasi dan pengujian model, serta analisis model dengan menggunakan metode Support Vector Machine. Hasil dari penelitian ini adalah sebagai berikut : Pertama, pengambilan data dilakukan menggunakan ekstensi Google Colab. Data teks yang berisi tweet mengenai kebijakan pemerintah terkait kenaikan harga bahan bakar minyak diambil melalui proses scraping menggunakan Twitter API dengan menggunakan kata kunci "bbm naik". Total 493 data tweet berhasil dikumpulkan mulai dari Februari 2023 hingga Maret 2023. Kedua, data tweet yang telah diberi label sentimen positif dan negatif terhadap kebijakan kenaikan harga bahan bakar minyak dianalisis menggunakan metode Support Vector Machine. Hasil analisis menunjukkan bahwa terdapat 244 data dengan sentimen positif dan 249 data dengan sentimen negatif. Dalam presentasi, data positif mendapatkan 49.49%, sementara data negatif mendapatkan 50.50%. Ketiga, setelah proses preprocessing, data dibagi menjadi data latih dan data uji dengan perbandingan 8:2. Jumlah data latih sebesar 80%, sedangkan data uji sebesar 20%. Dalam penerapan metode Support Vector Machine dengan skala 10, data latih dan data uji diolah menggunakan pembobotan TF-IDF. Hasil akurasi tertinggi tercapai saat menggunakan kernel linear dengan perbandingan 8:2, menghasilkan akurasi sebesar 82.88% Precision sebesar 83.83%, F1-Score sebesar 83.83%, dan Recall sebesar 83.83%. Analisis sentimen dari model algoritma Support Vector Machine menunjukkan terdapat 43 True Negative (TN), 9 False Negative (FN), 8 False Positive (FP), dan 39 True Positive (TP) dalam hasil prediksi.

Kata Kunci— Twitter API, harga BBM, tweet sentimen positif-negatif, Support Vector Machine.