Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal SINTECH (Science and Information Technology) Journal
Sanjaya, I Gede Ary Suta
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Sentimen Berbasis Aspek Kinerja Polri Menggunakan SVM dengan Pendekatan POS Tagging Sanjaya, I Gede Ary Suta; Candiasa, I Made; Dewi, Luh Joni Erawati
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1568

Abstract

Beragam opini masyarakat terkait kinerja POLRI terus bermunculan pada media sosial Twitter. Analisis sentimen dilakukan untuk mengetahui kecenderungan sentimen opini masyarakat dan aspek kinerja yang dibahas pada opini tersebut. Penelitian ini bertujuan untuk mengetahui aspek kinerja yang dibahas pada data tweet dan sentimen data tweet berdasarkan aspek kinerja POLRI. POS Tagging digunakan sebagai klasifikasi aspek kinerja POLRI yang meliputi “penanganan kejahatan”, “kecepatan respon”, “interaksi terhadap masyarakat”, dan “tidak beraspek”, serta metode Support Vector Machine (SVM) sebagai proses klasifikasi sentimen “positif”, “negatif”, dan “netral”. Proses POS Tagging dilakukan menggunakan metode Conditional Random Field (CRF), melalui teknik Bio-Tags dengan melabelkan aspek kinerja berdasarkan koleksi kata yang mencerminkan klasifikasi aspek kinerja. Pemodelan klasifikasi sentimen berdasarkan aspek kinerja POLRI dibangun dengan metode SVM. Diperoleh 1103 tweet melalui API Twitter dalam kurun waktu Januari 2023 sampai Oktober 2023 sebagai dataset awal, yang dibagi menjadi 80% data training dan 20% data testing. Hasil penelitian menunjukkan model klasifikasi sentimen berbasis aspek kinerja menggunakan SVM dengan pendekatan POS Tagging memperoleh akurasi sebesar 81%, presisi sebesar 83%, recall sebesar 81%, dan F1-score sebesar 81%.Penggunaan metode klasifikasi machine learning lainnya, kontinuitas penggunaan data awal, dan pengembangan aspek yang dianalisis dapat menjadi saran untuk pengembangan penelitian kedepannya.
Co-Authors I Made Candiasa Luh Joni Erawati Dewi