Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring

Pernyataan Mendikbud Republik Indonesia mengenai keberlanjutan pembelajaran daring memperoleh komentar positif dan negatif dari masyarakat melalui Twitter. Tweet atau komentar masyarakat berbahasa Indonesia melalui Twitter diambil secara crawling. Komentar tersebut merupakan opini masyarakat yang perlu didengar. Permasalahannya, komentar tersebut sulit dipilah untuk mendapatkan term atau kata hasil dari komentar positif atau negatif sehubungan penggunaan ragam kata yang digunakan diantaranya penggunaan bahasa tidak formal, simbol, singkatan, bahasa asing, dan bahasa daerah.  Untuk mengatasi hal tersebut dilakukan penelitian menggunakan analisis sentimen. Tahapan penelitian yang dilakukan terdiri dari pengambilan data mentah; pre-processing data; seleksi fitur dengan Term Frequency dan TF-IDF; klasifikasi dengan Support Vector Machine (SVM); dan evaluasi menggunakan k-Fold Cross Validation dan Confusion Matrix. Tujuan penelitian adalah melakukan analisis sentimen komentar masyarakat terhadap pernyataan Mendikbud mengenai keberlanjutan pembelajaran daring dengan klasifikasi dua kelas yaitu positif dan negatif. Data yang digunakan berjumlah 200 data tweet terdiri dari 100 komentar positif dan 100 komentar negatif menggunakan lima rasio perbandingan data latih dan data uji. Penelitian ini menghasilkan evaluasi yang cukup baik sehingga kata-kata dengan nilai seleksi fitur tertinggi dapat menjadi bahan pertimbangan mewakili suara masyarakat yang disampaikan melalui Twitter, dimana diperoleh nilai tertinggi pada accuracy sebesar 86,00%, precision sebesar 87,38%, dan recall sebesar 85,02%.