Analisis Sentimen Masyarakat Twitter Terhadap Kebijakan Pemerintah Dalam Menaikkan Harga Bahan Bakar Minyak Dengan Menggunakan Metode Support Vector Machine

Analysis Of Twitter Public Sentiment On Government Policies In Increasing Fuel Price Using Support Vector Machine Method

Penelitian ini memiliki tujuan: (1) mengimplementasi Twitter API untuk pengambilan data tweet terhadap kebijakan pemerintah dalam menaikkan harga bahan bakar minyak, (2) menganalisis data tweet sentimen positif dan sentimen negatif terhadap kebijakan pemerintah dalam menaikkan harga bahan bakar minyak dengan menggunakan metode Support Vector Machine. (3) mengimplementasi hasil pengolahan data sentimen positif dan negatif terhadap keijakan pemerintah dalam menaikkan harga bahan bakar minyak dengan menggunakan metode Support Vector Machine untuk mendapatkan akurasi.

Metode yang digunakan pada studi kasus kebijakan pemerintah dalam menaikkan harga bahan bakar minyak diawali dari studi literatur, analisis kebutuhan, pengumpulan data, perancangan, evaluasi dan pengujian model, dan menganalisis model yang menggunakan Support Vector Machine.

Hasil yang diperoleh (1) pengambilan data dilakukan dengan menggunakan bantuan ekstensi Google Colab. Adapun proses pengumpulan data teks tweet pada media sosial Twitter mengenai kebijakan pemerintah terhadap kenaikan bahan bakar minyak yang diambil dari hasil scraping dengan API Twitter dengan kata kunci “bbm naik” dengan jumlah 493 data tweet yang dimbil dari bulan Februari 2023 sampai dengan bulan Maret 2023, (2) data tweet sentimen positif dan sentimen negatif terhadap kebijakan pemerintah dalam menaikkan harga bahan bakar minyak dengan menggunakan metode Support Vector Machine, setelah diberi label diperoleh hasil sentimen positif sebanyak 244 data, dan hasil label sentimen negatif sebanyak 249 data tweet. Jika dipresentasikan, data positif sebesar 49.49% dan data negatif sebesar 50.50%. (3) Data yang telah dilakukan preprocessing kemudian dibagi untuk menjadi data latih dan data uji. Pada perbandingan 8:2 masing-masing untuk data latih dan data uji. Diperoleh jumlah data latih sebanyak 80% dan data uji sebanyak 20%. Klasifikasi dalam menerapkan metode Support Vector Machine menggunakan skala 10 dengan data latih dan data uji yang telah dihitung bobotnya dengan menggunakan pembobotan TF-IDF. Hasil akurasi terbaik untuk kernel linear dengan perbandingan 8:2 menghasilkan akurasi sebesar 82.88% Precision sebesar 83.83%, F1-Score sebesar 83.83%, dan Recall sebesar 83.83%. Analisis sentimen model algoritma Support Vector Machine menghasilkan bahwa sebelah kiri merupakan Actual dan bagian bawah adalah hasil Prediction sehingga dapat dinyatakan bahwa ada 43 True Negative (TN), 9 False Negative (FN), 8 False Positive (FP), 39 True Positive (TP).

Kata kunci: Twitter API, harga BBM, tweet sentimen positif-negatif, Support Vector Machine.

This study aims to: (1) implement the Twitter API to retrieve tweet data on government policies to increase fuel prices, (2) analyze positive and negative sentiment tweet data on government policies to increase fuel prices using the Support Vector method. Machine. (3) implementing the results of processing positive and negative sentiment data on government policies in increasing fuel prices using the Support Vector Machine method to obtain accuracy.

The method used in case studies of government policies in increasing fuel prices begins with literature studies, needs analysis, data collection, design, evaluation and testing of models, and analyzes models using Support Vector Machines.

The results obtained (1) data collection was carried out using the Google Collab extension. As for the process of collecting tweet text data on Twitter social media regarding government policies against increasing fuel oil taken from the results of scraping with the Twitter API with the keyword "bbm goes up" with a total of 493 tweet data taken from February 2023 to March 2023, (2) positive sentiment tweet data and negative sentiment towards government policy in raising fuel prices using the Support Vector Machine method, after being labeled, 244 data obtained positive sentiment results, and 249 negative sentiment labeled tweet data. If presented, the positive data is 49.49% and the negative data is 50.50%. (3) Data that has been preprocessed is then divided into training data and test data. At a ratio of 8:2 each for training data and test data. The amount of training data obtained is 80% and test data is 20%. Classification in applying the Support Vector Machine method uses a scale of 10 with training data and test data that has been weighted using TF-IDF weighting. The best accuracy results for the linear kernel with a ratio of 8:2 produce an accuracy of 82.88% Precision of 83.83%, F1-Score of 83.83%, and Recall of 83.83%. Sentiment analysis of the Support Vector Machine algorithm model produces that the left is Actual and the bottom is the Prediction result so that it can be stated that there are 43 True Negatives (TN), 9 False Negatives (FN), 8 False Positives (FP), 39 True Positives (TP) ).

Keywords: Twitter API, fuel prices, positive-negative sentiment tweets, Support Vector Machine.