SUPPORT VECTOR MACHINE BERBASIS GRID SEARCH ALGORITHM UNTUK MENINGKATKAN AKURASI PENENTUAN NILAI SENTIMEN PADA TWITTER (Studi Kasus Pada Dataset Sanders)

Abstract

Twitter dapat mengekspresikan opini yang objektif tentang topik yang berbeda, serta dapat membatu dalam bidang pemasaran untuk menyediakan opini terhadap konsumen mengenai merk dan produk yang populer. Dataset twitter Sanders adalah data yang sudah diakuisisi berupa empat kategori merk atau produk @appel, @google, @mcrosoft, dan @twitter.
Pada penelitian ini akan dilakukan pengklasifikasian data tweet Sanders untuk review ke empat kata dari data sanders yang paling populer menggunakan metode support vector machine (SVM) berbasis Grid Search Algorithm (GSA), agar tweet yang ada tidak bercampur antara tweet negative, positive dan netral. SVM salah satu metode yang dapat melakukan pengklasifikasi data dengan baik, karena proses yang akan dilakukan bersifat non linier maka parameter yang akan digunakan adalah nilai C dan γ. Dari hasil uji coba, aplikasi menunjukkan akurasi stabil Dengan menggunakan penambahan metode preprocessing akurasi dapat mencapai hingga 69,22%. Dengan metode stopwordremoval akurasi dapat mencapai hingga 73,74%. Serta metode Grid Search dan Two Step GridSearch akurasi dapat mencapai hingga 73,89%. Sedangkan keseluruhan optimasi tersebut dapat memberikan hasil dengan akurasi hingga 80,33%. Dengan pencapaian nilai akurasi yang baik maka, hasil ini dapat diterapkan untuk membantu pengguna twitter untuk melakukan filter terhadap tweet informasi yang dibutuhkan yang terdapat pada akun Twitter mereka.