Analisis Sentimen Petani Milenial Pada Media Sosial X Menggunakan Algortitma Support Vector Machine (SVM)
DOI:
https://doi.org/10.52436/1.jpti.717Keywords:
Analisis Sentimen, Petani Milenial, Support Vector Machine, TF-IDF, X PlatformAbstract
Media sosial, termasuk aplikasi X, kini menjadi platform utama untuk berbagai diskusi, termasuk topik terkait pertanian milenial. Meski demikian, masih terdapat perbedaan pandangan mengenai penerapan teknologi di sektor pertanian oleh petani milenial. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap petani milenial dengan menggunakan algoritma Support Vector Machine (SVM). Sebanyak 2.430 tweet dikumpulkan melalui teknik crawling dan diproses melalui tahapan preprocessing data, seperti tokenisasi, normalisasi, penghapusan stopword, dan stemming, serta diberikan bobot menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Model SVM yang dikembangkan dalam penelitian ini mengklasifikasikan sentimen ke dalam tiga kategori: positif, netral, dan negatif. Hasil eksperimen menunjukkan bahwa model SVM mencapai akurasi 70% dengan rata-rata F1-score sebesar 0,69. Model ini memiliki precision tertinggi sebesar 0,72 untuk sentimen negatif dan recall tertinggi sebesar 0,84 untuk sentimen positif. Dibandingkan dengan algoritma Naïve Bayes yang hanya memperoleh akurasi 65%, SVM terbukti lebih efektif dalam analisis sentimen berbasis teks. Temuan ini mengindikasikan bahwa SVM dapat digunakan untuk mengidentifikasi sentimen publik terhadap petani milenial dengan lebih akurat.
Downloads
References
L. Gkinko and A. Elbanna, “The appropriation of conversational AI in the workplace: A taxonomy of AI chatbot users,” Int J Inf Manage, vol. 69, no. August 2022, p. 102568, 2023, doi: 10.1016/j.ijinfomgt.2022.102568.
U. Darwis and L. Septia Dewi BrGinting, “IMPLEMENTASI TEKNOLOGI ARTIFICIAL INTELEGENCE DALAM BIDANG PENDIDIKAN,” Jurnal Ilmu Pendidikan, vol. 3, pp. 72–79, Jul. 2023, doi: 10.32696/jip.v5i1.3153.
H. I. Putra Ganda Dewata1, Azzar Rizky2, “Jurnal Rein,” Analisis Sentimen Terhadap Boikot Produk Israel Menggunakan Algoritma Naive Bayes Dan SMOTE, vol. 1, no. 1, pp. 36–45, 2024.
E. Y. Arvianti, H. Anggrasari, and M. Masyhuri, “Pemanfaatan Teknologi Komunikasi melalui Digital Marketing pada Petani Milenial di Kota Batu, Jawa Timur,” Agriekonomika, vol. 11, no. 1, pp. 11–18, 2022, doi: 10.21107/agriekonomika.v11i1.10403.
M. I. Fikri, T. S. Sabrila, and Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” Smatika Jurnal, vol. 10, no. 02, pp. 71–76, 2020, doi: 10.32664/smatika.v10i02.455.
T. Wiratama Putra, A. Triayudi, and A. Andrianingsih, “Analisis Sentimen Pembelajaran Daring Menggunakan Metode Naïve Bayes, KNN, dan Decision Tree,” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 6, no. 1, pp. 20–26, 2022, doi: 10.35870/jtik.v6i1.368.
M. K. Insan, U. Hayati, and O. Nurdiawan, “Analisis Sentimen Aplikasi Brimo Pada Ulasan Pengguna Di,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 1, pp. 478–483, 2023.
R. Obiedat et al., “Sentiment Analysis of Customers’ Reviews Using a Hybrid Evolutionary SVM-Based Approach in an Imbalanced Data Distribution,” IEEE Access, vol. 10, pp. 22260–22273, 2022, doi: 10.1109/ACCESS.2022.3149482.
Q. A. Chairunnisa, Y. Herdiyeni, M. Kusuma, D. Hardhienata, and J. Adisantoso, “Analisis Sentimen Pengguna Twitter Terhadap Program Vaksinasi Covid-19 di Indonesia Menggunakan Algoritme Support Vector Machine Sentiment Analysis of Twitter Users on COVID-19 Vaccination Program in Indonesia using Support Vector Machine Algorithm,” Jurnal Ilmu Komputer dan Agri-Komputer, vol. 9, no. 1, p. 79, 2022.
M. Azimi-Pour, H. Eskandari-Naddaf, and A. Pakzad, “Linear and non-linear SVM prediction for fresh properties and compressive strength of high volume fly ash self-compacting concrete,” Constr Build Mater, vol. 230, p. 117021, Jan. 2020, doi: 10.1016/J.CONBUILDMAT.2019.117021.
F. Nie, W. Zhu, and X. Li, “Decision Tree SVM: An extension of linear SVM for non-linear classification,” Neurocomputing, vol. 401, pp. 153–159, Aug. 2020, doi: 10.1016/J.NEUCOM.2019.10.051.
A. N. Putri, A. Aryanti, and S. Soim, “Implementasi Algoritma SVM Non-Linear Pada Klasifikasi Analisis Sentimen Perkembangan AI di Sektor Pendidikan,” vol. 6, no. 2, pp. 703–711, 2024, doi: 10.47065/bits.v6i2.5522.
I. S. Tomagola, A. Id Hidiana, and P. Nurul Sabrina, “Analisis Sentimen Terhadap Pangan Nasional Pada Media Sosial Twitter Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 5, pp. 3350–3356, 2024, doi: 10.36040/jati.v7i5.7473.
D. Atmajaya, A. Febrianti, and H. Darwis, “Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter,” The Indonesian Journal of Computer Science, vol. 12, no. 4, pp. 2173–2181, 2023, doi: 10.33022/ijcs.v12i4.3341.
Y. Mayasari, R. Nasution, and N. Sumatera Utara, “Post-Election Sentiment Analysis 2024 via Twitter (X) Using the Naïve Bayes Classifier Algorithm,” Journal of Dinda Data Science, Information Technology, and Data Analytics, vol. 4, no. 2, pp. 123–134, Aug. 2024, doi: 10.20895/dinda.v4i2.1582.
F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” Jurnal Ilmiah Informatika, vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
A. A. Pratiwi and M. Kamayani, “Perbandingan Pelabelan Data dalam Analisis Sentimen Kurikulum Proyek di platform TikTok: Pendekatan Naïve Bayes,” Jurnal Eksplora Informatika, vol. 14, no. 1, pp. 96–107, Sep. 2024, doi: 10.30864/eksplora.v14i1.1093.
R. Hilma, M. Ula, and S. Fachrurrazi, “Analisis Sentimen Cyberbullying pada Media Sosial Twitter Menggunakan Metode Support Vector Machine dan Naïve Bayes Classifier,” e-jurnal TECHSI, vol. 14, pp. 107–23, Dec. 2023, doi: 10.29103/techsi.v14i2.12103.
R. H. Muhammadi, T. G. Laksana, and A. B. Arifa, “Combination of Support Vector Machine and Lexicon-Based Algorithm in Twitter Sentiment Analysis,” Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, vol. 8, pp. 59–71, Apr. 2022, doi: 10.23917/khif.v8i1.15213.
E. Harieby and M. Walid, “TWITTER TEXT MINING MENGENAI ISU VAKSINASI COVID-19 MENGGUNAKAN METODE TERM FREQUENCY, INVERSE DOCUMENT FREQUENCY (TF-IDF),” Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 532–537, Aug. 2022, doi: 10.36040/jati.v6i2.5129.
T. Safitri, Y. Umaidah, and I. Maulana, “Analisis Sentimen Pengguna Twitter Terhadap Grup Musik BTS Menggunakan Algoritma Support Vector Machine,” Journal of Applied Informatics and Computing, vol. 7, no. 1, pp. 28–35, 2023, doi: 10.30871/jaic.v7i1.5039.
N. Fitriyah, B. Warsito, and D. A. I. Maruddani, “Analisis Sentimen Gojek Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (Svm,” Jurnal Gaussian, vol. 9, no. 3, pp. 376–390, 2020, doi: 10.14710/j.gauss.v9i3.28932.
