ANALISIS SENTIMEN KEPERCAYAAN MASYARAKAT TERHADAP KEPOLISIAN REPUBLIK INDONESIA MENGGUNAKAN ALGORITMA SVM
Abstract
Abstract: Based on Law No. 2 of 2002, Indonesia states that the National Police of the Republic of Indonesia is a state instrument that plays a role in maintaining security and public order, enforcing the law and providing protection, protection and service to the community. In the eyes of the public, public services are experiencing a crisis of trust. This crisis provides important lessons for local governments and the police in Indonesia. With various news about the police via internet media, especially Twitter, which can influence public opinion. User opinions are used as research material for sentiment classification using the SVM algorithm using 801 data. The data is then given labels (classes) using a lexicon based method with an Indonesian language dictionary. From the labeling results, 444 positive opinions and 357 negative opinions were obtained. From several opinions that have been obtained, sentiment analysis will be carried out using the SVM algorithm. This research also applies the word weighting method or TF-IDF. The system will be evaluated using Confusion Matrix. In the test results, it was found that the level of accuracy produced using the Support Vector Machine algorithm was 83.95%, precision was 85.71%, recall was 87,50%, and f1-score was 86.60%.
Keywords: Sentiment Analysis, Indonesian Republic Police, SVM
Abstrak: Berdasarkan Undang-undang No.2 Tahun 2002, Indonesia menyatakan bahwa Kepolisian Negara Republik Indonesia adalah alat negara yang berperan dalam memelihara keamanan dan ketertiban masyarakat, menegakkan hukum serta memberikan perlindungan, pengayoman dan pelayanan kepada masyarakat. Di mata masyarakat, pelayanan publik sedang mengalami krisis kepercayaan. Krisis ini menjadikan pelajaran penting bagi pemerintah daerah dan kepolisian di Indonesia. Dengan adanya berbagai berita mengenai kepolisian melalui media internet khususnya twitter yang dapat memengaruhi opini masyarakat. Opini pengguna dimanfaatkan sebagai bahan penelitian klasifikasi sentimen menggunakan algoritma SVM dengan menggunakan 801 data. Data kemudian diberi label (kelas) dengan menggunakan metode lexicon based dengan kamus berbahasa Indonesia. Dari hasil pelabelan diperoleh data berlabel positif sebanyak 444 opini dan 357 opini negatif. Dari beberapa opini yang sudah didapatkan, maka akan dilakukan analisis sentimen dengan menggunakan algoritma SVM. Penelitian ini juga menerapkan metode pembobotan kata atau TF-IDF. Sistem akan dievaluasi dengan menggunakan Confusion Matrix. Pada hasil pengujian didapatkan tingkat akurasi yang dihasilkan dengan menggunakan algoritma Support Vector Machine adalah sebesar 83.95%, precision sebesar 85.71%, recall sebesar 87,50%, dan f1-score sebesar 86,60%.
Kata kunci: Analisis Sentimen, Kepolisian Republik Indonesia, SVM
Full Text:
PDFReferences
D. Kurniawati, E. Prayitno, D. F. Sari, and S. N. Putra, “Sentiment Analysis of Twitter Use on Policy Institution Services using Naive Bayes Classifier Method,” Journal of International Conference Proceedings, vol. 2, no. 1, p. 33, 2019.
R. U. Anshar and J. Setiyono, “Tugas dan Fungsi Polisi Sebagai Penegak Hukum dalam Perspektif Pancasila,” Jurnal Pembangunan Hukum Indonesia, vol. 2, no. 3, pp. 359–372, 2020, doi: 10.14710/jphi.v2i3.359-372.
D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Scientific Journal of Informatics Education, vol. 7, no. 1, pp. 1–11, 2020, doi: 10.21107/edutic.v7i1.8779.
D. D. Muttaqien and P. P. Hartono, “Implementasi Support Vector Machine pada Analisis Sentimen mengenai Bantuan Sosial di Era Pandemi Covid-19 pada Pengguna Twitter,” vol. 6, no. 1, pp. 163–171, 2022.
M. R. A. Nasution and M. Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” Jurnal Informatika, vol. 6, no. 2, pp. 226–235, 2019, doi: 10.31311/ji.v6i2.5129.
M. Furqan, S. Sriani, and S. M. Sari, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia,” Techno.Com, vol. 21, no. 1, pp. 51–60, 2022, doi: 10.33633/tc.v21i1.5446.
S. M. Sari, “Analisis Sentimen Terhadap New Normal Di Era Covid-19 Menggunakan Algoritma K-Nearest Neighbor (K-NN),” pp. 1–80, 2021, [Online]. Available: http://repository.uinsu.ac.id/id/eprint/14945%0Ahttp://repository.uinsu.ac.id/14945/1/SKRIPSI Susan Mayang Sari %28ILKOMP NIM. 0701162003%29.pdf
Y. A. V. Gunawan, N. A. S. ER, I. B. M. Mahendra, I. M. Widiartha, I. G. N. A. C. Putra, and I. G. A. G. A. Kadyanan, “Analisis Sentimen Ulasan Aplikasi Transportasi Online Menggunakan Multinomial Naïve Bayes dan Query Expansion Ranking,” JELIKU (Jurnal Elektronik Ilmu Komputer Udayana), vol. 11, no. 1, p. 121, 2022, doi: 10.24843/jlk.2022.v11.i01.p13.
A. Elhan, M. K. D. Hardhienata, Y. Herdiyeni, S. H. Wijaya, and J. Adisantoso, “Analisis Sentimen Pengguna Twitter Terhadap Program Vaksinasi Covid-19 di Indonesia menggunakan Algoritme Random Forest dan BERT,” Ilmu Komputer Agri-Informatika, vol. 9, no. 2, pp. 199–211, 2022.
M. R. Fadli, “Memahami desain metode penelitian kualitatif,” Humanika, vol. 21, no. 1, pp. 33–54, 2021, doi: 10.21831/hum.v21i1.38075.
C. Casro, Y. Purwati, G. Setyaningsih, and A. P. Kuncoro, “Rancang Bangun Aplikasi Pengaduan Pelanggan Berbasis Web Menggunakan Framework Codeigniter Di Indotechno Purwokerto,” Jurnal Sains dan Informatika, vol. 6, no. 2, pp. 166–174, 2020, doi: 10.34128/jsi.v6i2.244.
I. Irwanto, “Perancangan Sistem Informasi Sekolah Kejuruan dengan Menggunakan Metode Waterfall (Studi Kasus SMK PGRI 1 Kota Serang-Banten),” Lectura : Jurnal Pendidikan, vol. 12, no. 1, pp. 86–107, 2021, doi: 10.31849/lectura.v12i1.6093.
M. Furqan, R. Kurniawan, and K. I. HP, “Evaluasi Performa Support Vector Machine Classifier Terhadap Penyakit Mental,” Jurnal Sistem Informasi Bisnis, vol. 10, no. 2, pp. 203–210, 2020, doi: 10.21456/vol10iss2pp203-210.
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.
N. Y. A. Faradhillah, “Analysis of Sentimentality Towards the Performance of Public Services in Surabaya Based on Commentary Classification in Social Media Using Naïve Bayes Algorithm Nuke Yulnida Aden Faradhillah Nrp 5212 100 123,” 2018.
P. P. O. Mahawardana, G. A. Sasmita, and I. P. A. E. Pratama, “Analisis Sentimen Berdasarkan Opini dari Media Sosial Twitter terhadap ‘Figure Pemimpin’ Menggunakan Python,” Jurnal Manajemen dan Teknologi Informasi, vol. 12, no. 2, pp. 50–56, 2022, [Online]. Available: https://ojs.mahadewa.ac.id/index.php/jmti/article/view/2111
G. Agung, Python Untuk Programmer Pemula. Yogyakarta: PT Elex Media Komputindo, 2019.
DOI: https://doi.org/10.54314/jssr.v7i3.2118
Article Metrics
Abstract view : 30 timesPDF - 13 times