Analisis Sentimen Kebijakan Reshuffle Kabinet Pemerintahan Presiden Joko Widodo Menggunakan Metode Support Vector Machine
Tahun 2024 · Penulis: Fitri Murtikasari
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Reshuffle kabinet merupakan salah satu cara yang dilakukan oleh pemerintah dalam mengevaluasi kinerja kementerian. Dalam hal ini, presiden memiliki hak prerogatif untuk mengangkat dan memberhentikan menteri. Reshuffle kabinet dapat menimbulkan isu bernuansa politik yang mengakibatkan munculnya beragam opini dari masyarakat luas. Media sosial twitter digunakan oleh masyarakat untuk membagikan informasi ataupun mengungkapkan opini terkait isu yang sedang terjadi, salah satunya mengenai reshuffle kabinet pada masa pemerintahan presiden Joko Widodo. Informasi yang termuat dalam tweet bersifat acak dan sulit untuk mengenali apakah tweet tersebut merupakan opini positif atau negatif. Oleh karena itu, text mining digunakan untuk memproses serangkaian opini menjadi suatu informasi yang memuat seluruh opini yang terlibat dalam suatu isu. Kata pada dataset tweet harus diubah terlebih dahulu ke dalam bentuk vector yakni dengan menggunakan word2vec model skip-gram. Kedekatan kata dalam word2vec dapat dikelompokkan menggunakan metode clustering dan visualisasi. Support vector machine (SVM) digunakan untuk proses klasifikasi dengan empat kernel yakni kernel linier, polynomial, RBF, dan sigmoid sehingga diperoleh kernel terbaik yakni kernel RBF dengan parameter nilai 𝐶=462,83 dan gamma = 4 dan menghasilkan nilai akurasi data training sebesar 84%. Nilai C yang besar pada kernel SVM memiliki kemampuan untuk mengklasifikasikan titik-titik data yang berada di dekat decision boundary sehingga hal ini dapat mempengaruhi nilai akurasi pada kernel. Hasil testing model direpresentasikan dengan menggunakan confusion matrix yang menghasilkan akurasi sebesar 72%, sedangkan cross validation dengan menggunakan k-fold cross validation menghasilkan nilai sebesar 0,7423 atau lebih besar diantara ketiga kernel lainnya. Kontribusi kata dalam dataset diinterpretasikan dengan menggunakan visualisasi SHAP. Global explanation pada SHAP menggunakan visualisasi bar plot dengan hasil kontribusi positif dihasilkan oleh kata ‘presiden’, ‘negeri’, ‘hak’, ‘hati’, dan ‘kerja’, sedangkan kontribus negatif dihasilkan oleh feature kata ‘joko’, ‘widodo’, dan ‘bangun’. Local explanation diinterpretasikan melalui visualisasi force plot dan waterfall plot dan didapatkan nilai prediksi 𝑓(𝑥)=−0,661 serta nilai baseline 𝐸[𝑓(𝑥)]=−0,311. Nilai prediksi yang menunjukkan nilai negatif menandakan bahwa data tersebut diklasifikasin ke kelas negatif berdasarkan nilai baseline dan kontribusi model. Model yang telah disusun dapat dimanfaatkan kembali untuk melakukan prediksi model dengan menggunakan data tweet terbaru.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,778
Tahun 2026 · Penulis: Darojatul Alya Anwar
Analisis Sentimen Pengguna X Terhadap Penetapan UKT di Indonesia Menggunakan Metode Support Vector Machine
Analisis sentimen merupakan salah satu teknik dalam pengolahan bahasa alami (Natural Language Processing) yang bertujuan untuk mengelompokkan opini atau pandangan masyarakat ke dalam kategori sentimen positif, negatif, dan netral. Teknik ini digunakan untuk me
- Cosine 0,774
Tahun 2025 · Penulis: Rifqie Ade Tama
Analisis Sentimen Opini terhadap Kebijakan Pegawai Pemerintah dengan Perjanjian Kerja (PPPK) Paruh Waktu di Twitter Menggunakan Metode Lexicon-Based dan Support Vector Machine (SVM)
Perkembangan media sosial telah membuka ruang baru bagi masyarakat untuk enyampaikan opini secara luas, termasuk terhadap kebijakan pemerintah. Salah satu kebijakan yang menjadi sorotan adalah program Pegawai Pemerintah dengan Perjanjian Kerja (PPPK) paruh wak
- Cosine 0,754
Tahun 2026 · Penulis: Trisna Ayu Wulandari
Analisis Sentimen Komentar YouTube Terhadap OST Film Jumbo Menggunakan Metode Support Vector Machine (SVM)
Analisis sensimen adalah teknik yang digunakan untuk mengubah data tekstual menjadi informasi yang bermakna dengan mengklasifikasikan opini menjadi kategori positif, negatif, dan netral. Namun, data tekstual sering kali menghadirkan tantangan seperti karakteri