Analisa Sentimen Dengan Korpus Sentiment140 Menggunakan Classifier Support Vector Machine RBF

Studi dan strategi dalam penekanan laju penyebaran pandemi COVID-19 pernah dilakukan negara Singapura, pada masa epidemi SARS-CoV varian virus novel corona dengan menerapkan kebijakan pembatasan sosial. Hal ini menjadi topik tren pada tagar jejaring sosial Twitter. Banyaknya pengguna dan kecepatan respon terhadap situasi dan kondisi lingkungan, menjadikan Twitter sebagai sumber data besar opini potensial berupa informasi subyektif yang memiliki sentimen. Dalam hal ini, bagaimana opini dapat ditransformasi menjadi pengetahun terstruktur yang memiliki nilai dan dapat diterapkan secara praktis, menjadi menarik untuk dilakukan penelitian. Pendekatan penelitian dilakukan dengan mengadopsi label sentimen Twitter sebagai input pembuatan model pembelajaran mesin diawasi terhadap opini publik terkini. Fokus penelitian adalah analisa sentimen dataset berlabel Sentiment140, dengan data pengujian tweet tagar #socialdistancing menggunakan classifier SVM RBF. Hasil pengujian model classifier SVM RBF terhadap data pengujian 1116 tweet dengan prediksi sentimen pada uji1 77.51% positif dan uji2 63.97% positif. Dari kedua pengujian terdapat metrik dominan pada uji2, dengan nilai precision 72.83%. Secara umum parameter terbaik pengujian model terdapat pada keseimbangan antara precision dan recall, yakni F-measure dengan 70.57% pada uji1 dan 70.77% pada uji2.