Analisis Sentimen Tweet Tentang UU Cipta Kerja Menggunakan Algoritma SVM Berbasis PSO

Support Vector Machine (SVM) tergolong sebagai satu di antara algoritma klasifikasi yang paling sering dimanfaatkan dalam analisis sentimen dan terbukti memberikan performa yang memuaskan. Akan tetapi, terlepas dari keunggulan yang diberikan, algoritma SVM masih mempunyai kelemahan dalam penentuan parameter SVM yang tepat untuk mengoptimalkan performa yang dihasilkan. Pada penelitian ini, dilakukan analisis sentimen pada tweet tentang Undang-Undang Cipta Kerja yang menuai banyak pro dan kontra oleh masyarakat di Indonesia terutama bagi para buruh. Metode klasifikasi yang diterapkan pada penelitian ialah algoritma Support Vector Machine yang dioptimasi menggunakan metode Particle Swarm Optimization sebagai seleksi pada parameter SVM dengan harapan dapat mengoptimalkan performa yang dihasilkan oleh algoritma Support Vector Machine dalam analisis sentimen. Hasil penelitian menggunakan 10 k-fold cross validation menggunakan algoritma SVM menghasilkan akurasi sebesar 92,99%, presisi sebesar 93,24%, dan recall sebesar 93%. Sementara pada algoritma SVM dan PSO menghasilkan akurasi sebesar 95%, presisi sebesar 95,08%, dan recall sebesar 94,97%. Hasil menunjukkan bahwa metode optimasi Particle Swarm Optimization dapat mengatasi kelemahan algoritma Support Vector Machine dalam masalah pemilihan parameter dan berhasil meningkatkan performa yang dihasilkan di mana SVM-PSO lebih unggul dibandingkan SVM biasa dalam analisis sentimen.