Perbandingan Algoritma Maching Learning dalam Analisis Sentimen Mobil Listrik di Indonesia pada Media Sosial Twitter/X
DOI:
https://doi.org/10.33795/jip.v10i4.5130Keywords:
Twitter, Machine Learning , Mobil Listrik, Support Vector Machine, Naive Bayes, Random ForestAbstract
Twitter telah menjadi platform yang penting dalam mencermati opini publik, terutama terkait dengan topik-topik populer seperti perkembangan mobil listrik di Indonesia. Dalam konteks ini, analisis sentimen dapat digunakan untuk memahami sikap dan pandangan pengguna terhadap mobil listrik. Namun, meskipun industri mobil listrik di Indonesia mengalami pertumbuhan pesat, masih ada sejumlah masalah yang perlu diatasi, seperti infrastruktur pengisian daya yang belum memadai, harga yang masih relatif tinggi, dan kesadaran masyarakat yang perlu ditingkatkan terkait manfaat lingkungan. Penelitian sebelumnya menunjukkan bahwa teknik machine learning, seperti Support Vector Machine (SVM), Random Forest, dan Naïve Bayes telah berhasil dalam menganalisis sentimen dari data Twitter terkait topik tertentu. Dalam penelitian ini, dapat diuji dan dibandingkan ketiga algoritma machine learning tersebut dalam menganalisis sentimen pengguna Twitter terhadap mobil listrik di Indonesia. Pada penelitian sudah digunakan data dari Twitter/X untuk melakukan analisis sentimen dengan memanfaatkan metrik evaluasi seperti akurasi, presisi, dan recall. Penelitian ini bertujuan untuk mengevaluasi performa relatif dari SVM, Random Forest, dan Naïve Bayes dalam mengklasifikasikan sentimen pengguna Twitter terhadap mobil listrik. Data yang digunakan bersumber dari media sosial Twitter/X dengan jumlah data yang dijadikan bahan penelitian berjumlah 1518 data dengan rincian 870 data dengan label negatif, 143 untuk label netral, dan 502 untuk label positif. Hasil dari penelitian didapatkan bahwa Nilai akurasi tertinggi didapatkan oleh algoritma Support Vector Machine sebesar 75,62%, Nilai presisi tertinggi didapatkan oleh algoritma Naïve Bayes sebesar 81,29% dan nilai recall tertinggi adalah algoritma Support Vector Machine dengan nilai 53,88%. Dari pengujian ini algoritma terbaik yaitu algoritma Support Vector Machine.
Downloads
References
Aria, M., Cuccurullo, C., & Gnasso, A. (2021). A comparison among interpretative proposals for Random Forests. Machine Learning with Applications, 6(June), 100094. https://doi.org/10.1016/j.mlwa.2021.100094
Audrey, O., Ratnawati, D. E., & Arwani, I. (2022). Analisis Sentimen Pengguna Twitter Terhadap Opini Non Fungible Token di Indonesia Menggunakan Algoritma Random Forest Classifier. 6(12), 5889–5897. http://j-ptiik.ub.ac.id
Cam, H., Cam, A. V., Demirel, U., & Ahmed, S. (2024). Sentiment analysis of financial Twitter posts on Twitter with the machine learning classifiers. Heliyon, 10(1), e23784. https://doi.org/10.1016/j.heliyon.2023.e23784
Chai, X., Xu, S., Li, S., & Zhao, J. (2023). The Process and Algorithm Analysis of Text Mining System Based on Artificial Intelligence. Procedia Computer Science, 228, 574–581. https://doi.org/10.1016/j.procs.2023.11.066
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131. https://doi.org/10.33365/jtk.v15i1.744
Fitri, V. A., Andreswari, R., & Hasibuan, M. A. (2019). Sentiment analysis of social media Twitter with case of Anti-LGBT campaign in Indonesia using Naïve Bayes, decision tree, and random forest algorithm. Procedia Computer Science, 161, 765–772. https://doi.org/10.1016/j.procs.2019.11.181
Garcia, K., & Berton, L. (2021). Topic detection and sentiment analysis in Twitter content related to COVID-19 from Brazil and the USA. Applied Soft Computing, 101, 107057. https://doi.org/10.1016/j.asoc.2020.107057
Lickert, H., Wewer, A., Dittmann, S., Bilge, P., & Dietrich, F. (2020). Selection of Suitable Machine Learning Algorithms for Classification Tasks in Reverse Logistics. Procedia CIRP, 96(March), 272–277. https://doi.org/10.1016/j.procir.2021.01.086
Motz, A., Ranta, E., Calderon, A. S., Adam, Q., Alzhouri, F., & Ebrahimi, D. (2022). Live Sentiment Analysis Using Multiple Machine Learning and Text Processing Algorithms. Procedia Computer Science, 203, 165–172. https://doi.org/10.1016/j.procs.2022.07.023
Nota, G., Postiglione, A., & Carvello, R. (2022). Text mining techniques for the management of predictive maintenance. Procedia Computer Science, 200, 778–792. https://doi.org/10.1016/j.procs.2022.01.276
Ramlan, R., Satyahadewi, N., & Andani, W. (2023). Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga BBM. Jambura Journal of Mathematics, 5(2), 431–445. https://doi.org/10.34312/jjom.v5i2.20860
Romero, P. E., Rodriguez-Alabanda, O., Molero, E., & Guerrero-Vaca, G. (2021). Use of the support vector machine (SVM) algorithm to predict geometrical accuracy in the manufacture of molds via single point incremental forming (SPIF) using aluminized steel sheets. Journal of Materials Research and Technology, 15, 1562–1571. https://doi.org/10.1016/j.jmrt.2021.08.155
Rosenberg, E., Tarazona, C., Mallor, F., Eivazi, H., Pastor-Escuredo, D., Fuso-Nerini, F., & Vinuesa, R. (2023). Sentiment analysis on Twitter data towards climate action. Results in Engineering, 19(July), 101287. https://doi.org/10.1016/j.rineng.2023.101287
Ruan, T., & Lv, Q. (2023). Public perception of electric vehicles on Reddit and Twitter: A cross-platform analysis. Transportation Research Interdisciplinary Perspectives, 21(January), 100872. https://doi.org/10.1016/j.trip.2023.100872
Sunitha, D., Patra, R. K., Babu, N. V., Suresh, A., & Gupta, S. C. (2022). Twitter sentiment analysis using ensemble based deep learning model towards COVID-19 in India and European countries. Pattern Recognition Letters, 158, 164–170. https://doi.org/10.1016/j.patrec.2022.04.027
Tarigan, V. (2023). Pembuatan Aplikasi Data Mining Untuk Memperediksi Masa Studi Mahasiswa Menggunakan Algoritma Naive Bayes. Informatika, 11(1), 54–62. https://doi.org/10.36987/informatika.v11i1.3847
Tarigan, V., Syahputra, R., Saputra, P. H., & Yusupa, A. (2023). Seleksi Fitur Dengan Menggunakan Metode Entropy Pada Algoritma Klasifikasi Naive Bayes Untuk Penyakit Diabetes. 8(2), 66–77.
Zola, G., Nugraheni, S. D., Rosiana, A. A., & ... (2023). Inovasi Kendaraan Listrik Sebagai Upaya Meningkatkan Kelestarian Lingkungan Dan Mendorong Pertumbuhan Ekonomi Hijau Di …. Journal of Public …, 11(3), 159–170. https://journal.student.uny.ac.id/index.php/joppar/article/view/20712%0Ahttps://journal.student.uny.ac.id/index.php/joppar/article/viewFile/20712/18383
