PENERAPAN SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN TWITTER TERHADAP EFISIENSI ANGGARAN

Abstract

Media sosial, khususnya Twitter, menjadi wadah utama bagi masyarakat untuk mengekspresikan opini terhadap kebijakan pemerintah, termasuk efisiensi anggaran. Analisis sentimen berbasis machine learning diperlukan untuk memahami respons publik secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat di Twitter terhadap kebijakan efisiensi anggaran menggunakan metode Support Vector Machine (SVM). Data yang digunakan telah melalui tahap preprocessing, labeling manual, dan untuk memastikan kualitas analisis. Sentimen yang diklasifikasikan terdiri dari tiga kategori: negatif, netral, dan positif. Hasil penelitian menunjukkan bahwa mayoritas sentimen masyarakat terhadap kebijakan ini bersifat negatif, menandakan ketidakpuasan atau ketidaksetujuan. Dalam perbandingan performa model SVM, Kernel Linear menunjukkan akurasi terbaik sebesar 81.46%, sedikit lebih tinggi dibandingkan Kernel RBF yang memperoleh 81.17%. Kernel Linear terbukti lebih stabil dalam mengklasifikasikan sentimen negatif dan netral, sementara Kernel RBF lebih unggul dalam menangani pola data yang kompleks tetapi kurang stabil dalam mengklasifikasikan sentimen positif. Oleh karena itu, model SVM dengan Kernel Linear dipilih sebagai model terbaik dalam penelitian ini. Penelitian ini memberikan wawasan mengenai persepsi publik terhadap kebijakan pemerintah serta menunjukkan efektivitas SVM dalam analisis sentimen media sosial.