ANALISIS SENTIMEN DI TWITTER TERKAIT TIM NASIONAL SEPAK BOLA INDONESIA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

Galang Sumantri, Universitas Negeri Yogyakarta, Indonesia
Bambang Sumarno Hadi Marwoto, Yogyakarta State University, Indonesia

Abstract


Abstrak

Timnas sepak bola Indonesia sering gagal bersaing di berbagai turnamen besar internasional. Sentimen masyarakat terhadap prestasi Timnas yang diekspresikan melalui twitter dapat digunakan sebagai salah satu cara untuk menilai perkembangan sepak bola di Indonesia. Penelitian ini bertujuan untuk mengetahui performa metode Support Vektor Machine (SVM) dengan ekstrasi fitur word embeddings Word2vec dan FastText dalam analisis sentimen terkait Timnas sepak bola Indonesia. Data dalam penelitian ini menggunakan data teks berupa tweet terkait keikutsertaan Timnas di ajang piala AFF tahun 2018, 2020, dan 2022 yang dikumpulkan dengan metode crawling. Metode SVM diawali dengan tahap preprocessing dan ekstraksi fitur. Metode ekstraksi fitur dalam penelitian ini menggunakan word embeddings Word2Vec dan FastText. Hasil penelitian, metode SVM menghasilkan akurasi terbaik hingga mencapai 84%, presisi 82%, recall 81%, dan F1 score sebesar 81%. FastText memiliki peforma yang sedikit lebih baik daripada Word2Vec untuk fitur ekstraksi pada analisis sentimen menggunakan SVM, perbedaannya adalah FastText dapat mengenali kata-kata yang tidak ada dalam korpus sedangkan Word2Vec tidak. Model terbaik dihasilkan dengan menggunakan word embeddings FastText dengan model Skip-gram.

Kata kunci: analisis sentimen, Support Vector Machine (SVM), Twitter, FastText, Word2Vec.

Full Text:

PDF

References


Astiningrum, M., Haniah, M., & Pradana, Y. rahmat yoga. (2020). Analisis Sentimen Tentang Opini Terhadap Performa Timnas Sepak Bola Indonesia Pada Twitter. Seminar Informatika Aplikatif Polinema (Siap), 35— 39.

Basari, A. S. H., Hussin, B., Ananta, I. G. P., & Zeniarja, J. (2013). Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization. Procedia Engineering, 53, 453–462. https://doi.org/10.1016/j.proeng.2013.02.059

Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017). Enriching Word Vectors with Subword Information. Transactions of the Association for Computational Linguistics, 5, 135–146. https://doi.org/10.1162/tacl_a_00051

Hadiyan Sidik, M., Widiyanesti, S., & Puteri Ramadhani, D. (2022). Analisis Sentimen dan Topic Modelling Terhadap Tim Nasional Indonesia di Kejuaraan AFF Suzuki Cup 2020 Berdasarkan Opini Pengguna Twitter Analysis of Sentiment and Topic Modeling of the Indonesian National Team in the 2020 AFF Suzuki Cup Championship Base (Vol. 9).

Ipsos. (2022). More than half of adults across 34 countries plan to watch the 2022 FIFA World Cup. Ipsos.Com. Diambil dari https://www.ipsos.com/en-id/more-half-adults-across-34-countries-plan-watch-2022-fifa-world-cup

Joachims, T. (2005). Text categorization with support vector machines: Learning with many relevant features. In Machine Learning: ECML-98: 10th European Conference on Machine Learning Chemnitz, Germany, April 21–23, 1998 Proceedings (hal. 137–142). Springer.

Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. 1st International Conference on Learning Representations, ICLR 2013 - Workshop Track Proceedings, 1–12.

Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support vector machine. Proceeding Indones. Sci. Meeiting Cent. Japan.

Nurdin, A., Aji, B. A. S., Bustamin, A., & Abidin, Z. (2020). Perbandingan Kinerja Word Embedding Word2Vec, Glove, Dan Fasttext Pada Klasifikasi Teks. Jurnal Tekno Kompak, 14(2), 74–79.

Octaviani, P. A., Yuciana Wilandari, & Ispriyanti, D. (2014). Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Jurnal Gaussian, 3(8), 811–820. Diambil dari http://download.portalgaruda.org/article.php?article=286497&val=4706&title=PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG

Pratama, A. E., Ariesta, A., & Gata, G. (2022). Analisis Sentimen Masyarakat terhadap Tim Nasional Indonesia pada Piala AFF 2020 Menggunakan Algoritma K-Nearest Neighbors Aditya. Jurnal TICOM: Technology of Information and Communication, 10(3), 187–196.

Ravi, K., & Ravi, V. (2015). A survey on opinion mining and sentiment analysis: Tasks, approaches and applications. Knowledge-Based Systems (Vol. 89). Elsevier B.V. https://doi.org/10.1016/j.knosys.2015.06.015

Salsabila, N. A., Winatmoko, Y. A., Septiandri, A. A., & Jamal, A. (2018). Colloquial Indonesian Lexicon. In 2018 International Conference on Asian Language Processing (IALP) (hal. 226–229). https://doi.org/10.1109/IALP.2018.8629151

Social, W. A. (2022). Hootsuite (We are Social): Indonesian Digital Report.

Suyanto, M. L. (2018). Tingkat Dasar dan Lanjut. Informatika Bandung.


Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.