METODE PEMBOBOTAN TF-IDF UNTUK KLASIFIKASI TEKS QUICK COUNT PEMILIHAN WAKIL PRESIDEN INDONESIA 2024 PADA X TWITTER DENGAN METODE SVM
DOI:
https://doi.org/10.47111/jti.v18i2.14934Keywords:
Quick Count, SVM, Text Classification, Twitter, TF-IDFAbstract
The 2024 Indonesian Vice Presidential Election Quick Count sparked diverse public reactions on X Twitter. The sheer volume and variety of expressed opinions complicate accurate sentiment identification and classification. This study aims to develop a text classification model using Support Vector Machine (SVM) to identify sentiment in election Quick Count-related tweets. Data was acquired through tweet collection, followed by pre-processing, word weighting using TF-IDF, and data splitting for model training and testing. Results indicated that the developed SVM model achieved 77.30% accuracy in tweet sentiment classification. The model's implementation is expected to aid in more effective information filtering and assist stakeholders in understanding public opinion more accurately.
Downloads
References
A. Fadly, “Realisasi Tindak Pengancam Muka (Face-Threatening Act) Pada Deklarasi Kemenangan Pilpres 2019 Berdasarkan Hasil Hitung Cepat Lembaga Survei,” J. Ilm. Bhs. Sastra dan Pembelajarannya, vol. 9, no. 2, pp. 184–193, 2022, doi: 10.26740/paramasastra.v9n2.p184-
S. Fachrian and A. Adriadi, “Analisis Kinerja Komisi Pemilihan Umum Dalam Meningkatkan Partisipasi Politik Masyarakat Pada Pilkada Tahun 2020 Di Kabupaten Musi Rawas Utara,” J. Ilmu Sos. dan Ilmu Polit., vol. 12, no. 1, pp. 1–8, 2023, doi: 10.33366/jisip.v12i1.2540.
R. I. Saraswati and A. Prasakti, “Kepercayaan Masyarakat Terhadap Hasil Quick Count Pada Pemilihan Presiden Dan Legislatif Tahun 2019,” J. Kewarganegaraan, vol. 4, no. 1, pp. 25–30, 2020.
R. Nasywa Kirana and S. Ardyan, “Analisis Pendukung Paslon 02 di Pemilu 2024 Pada Platform Media Sosial Twitter ‘X,’” J. Ilm. Multidisiplin, vol. 3, no. 5, pp. 28–35, 2024.
D. Ariyanti and K. Iswardani, “Teks Mining untuk Klasifikasi Keluhan Masyarakat Pada Pemkot Probolinggo Menggunakan Algoritma Naïve Bayes,” J. IKRA-ITH Inform., vol. 4, no. 3, pp. 125–132, 2020.
A. R. Purnajaya, V. Lieputra, V. Tayanto, and J. G. Salim, “Implementasi Text Mining untuk Mengetahui Opini Masyarakat Tentang Climate Change,” J. Inf. Syst. Technol., vol. 3, no. 3, p. 36, 2022, doi: 10.37253/joint.v3i3.7337.
D. Oktavia, Y. R. Ramadahan, and M. Minarto, “Analisis Sentimen Terhadap Penerapan Sistem E-Tilang Pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine (SVM),” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 407–417, 2023, doi: 10.30865/klik.v4i1.1040.
Sarimole Frencis Matheos and Septian Wahyu, “Analisis Sentimen Masyarakat Terhadap Isu Penundaan Pemilu 2024 Pada Twitter Dengan Metode Naive Bayes Dan Support Vector Machine,” J. Sains dan Teknol., vol. 5, no. 3, p. 2024, 2024, [Online]. Available: https://doi.org/10.55338/saintek.v5i1.2789
F. Nurwanda and J. R. Rizkiani, “Perbandingan Metode Naive Bayes Classifier dan Support Vector Machine pada Analisis Sentimen Twitter Topik Lifestyle,” J. Ilm. Wahana Pendidik., vol. 9, no. 21, pp. 314–323, 2023, [Online]. Available: https://doi.org/10.5281/zenodo.10077023
M. Muadin and H. Asnal, “Implementasi Metode Support Vector Machine Pada Opinion Mining Masyarakat Terkait Chatgpt,” JOISIE J. Inf. Syst. Informatics Eng., vol. 7, no. 1, pp. 78–84, 2023.
R. Kurniawan R and I. Zufria, “Penerapan Text Mining Pada Sistem Penyeleksian Judul Skripsi Menggunakan Algoritma Latent Dirichlet Allocation(LDA),” Indones. J. Comput. Sci., vol. 11, no. 3, pp. 1036–1052, 2022, doi: 10.33022/ijcs.v11i3.3120.
Nuzul Hikmah, Dyah Ariyanti, and Ferry Agus Pratama, “Implementasi Chatbot Sebagai Virtual Assistant di Universitas Panca Marga Probolinggo menggunakan Metode TF-IDF,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 2, pp. 133–148, 2022, doi: 10.35746/jtim.v4i2.225.
M. R. A. Surya, Martanto, and U. Hayati, “Analisis Sentimen Ulasan Pengguna Ovo Menggunakan Algoritma Naive Bayes Pada Google Play Store,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2780–2786, 2024.
A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
Oryza Habibie Rahman, Gunawan Abdillah, and Agus Komarudin, “Klasifikasi Ujaran Kebencian pada Media Sosial Twitter Menggunakan Support Vector Machine,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 17–23, 2021, doi: 10.29207/resti.v5i1.2700.
F. Bei and S. Saepudin, “Analisis Sentimen Aplikasi Tiket Online Di Play Store Menggunakan Metode Support Vector Machine (Svm),” Sismatik, vol. 01, no. 01, pp. 91–97, 2021.
Ade Dwi Dayani, Yuhandri, and G. Widi Nurcahyo, “Analisis Sentimen Terhadap Opini Publik pada Sosial Media Twitter Menggunakan Metode Support Vector Machine,” J. KomtekInfo, vol. 11, pp. 1–10, 2024, doi: 10.35134/komtekinfo.v11i1.439.
A. Muhaimin, M. Amin Hariyadi, and M. I. Imamudin, “Klasifikasi Prestasi Akademik Siswa Berdasarkan Nilai Rapor dan Kedisiplinan dengan Metode K-Nearest Neighbor,” J. Ilmu Komput. dan Sist. Inf., vol. 7, no. 1, pp. 193–202, 2024, doi: 10.55338/jikomsi.v7i1.2865.
J. Khatib Sulaiman, M. Dzakwan Ar Rosyid, and I. Artikel Abstrak, “Klasifikasi Tingkat Risiko Kesehatan Ibu Hamil Menggunakan Algoritma Support Vectore Machine Universitas AMIKOM Yogyakarta,” Indones. J. Comput. Sci. Attrib., vol. 12, no. 5, pp. 2023–2798, 2023.
