Perbandingan Model Svm, Knn Dan Naïve Bayes Untuk Analisis Sentiment Pada Data Twitter: Studi Kasus Calon Presiden 2024

Haekal Hilmi Zain* (Teknik Informatika Universitas Logistik dan Bisnis Internasional)
Rolly Maulana Awannga (Teknik Informatika Universitas Logistik dan Bisnis Internasional)
Woro Isti Rahayu (Teknik Informatika Universitas Logistik dan Bisnis Internasional)

JIM: Jurnal Ilmiah Mahasiswa Pendidikan Sejarah
Vol 8, No 3 (2023): Juni, socio-economics, community law, cultural history and social issues

Pemilihan Umum, atau "Pemilu," merupakan pilar demokrasi Indonesia yang mempengaruhi struktur pemerintahan dan kebijakan negara. Twitter, sebagai platform yang populer, memainkan peran penting dalam proses ini dengan menyediakan ruang bagi masyarakat untuk berpartisipasi dan berbagi pendapat mereka. Penelitian ini berfokus pada pengeksplorasian metode terbaik untuk menganalisis sentimen Twitter terkait calon presiden dalam Pemilu 2024 menggunakan tiga algoritma klasifikasi: Support Vector Machine (SVM), Naïve Bayes, dan K-Nearest Neighbors (KNN). Melalui tahapan pengumpulan data, preprocessing, labelling, word embedding, hyperparameter tuning, dan evaluasi, berdasarkan penelitian ini bahwa algoritma SVM memberikan kinerja superior dengan tingkat akurasi total sebesar 0.88, menunjukkan konsistensi tinggi dalam presisi dan recall untuk semua kategori sentimen. Dalam konteks sentimen publik terhadap tiga kandidat presiden Anies, Prabowo, dan Ganjar meraih persentase komentar positif tertinggi dan persentase komentar negatif terendah, sedangkan Anies memiliki persentase komentar negatif tertinggi. Oleh karena itu, penelitian ini merekomendasikan penggunaan algoritma SVM dalam analisis sentimen data Twitter, khususnya dalam konteks politik dan pemilihan presiden.