Optimasi Textblob Menggunakan Support Vector Machine Untuk Analisis Sentimen (Studi Kasus Layanan Telkomsel)

Abstrak

Analisis sentimen mengacu kepada teknik Natural Language Processing yang tergolong kedalam Unsupervised Learning untuk mengidentifikasi opini positif, negatif, atau netral. Opini-opini tersebut banyak datang melalui Twitter, dikarenakan sosial media ini cukup efektif dan efisien dalam berkomentar karena hanya dapat menulis maksimal 140 karakter. Dari penelitian sebelumnya, nilai dari keakuratan analisis sentimen yang dilakukan oleh salah satu library NLP yaitu TextBlob, telah diketahui bahwa Unsupervised Learning tidak menghasilkan nilai yang begitu baik. Dengan studi kasus layanan Telkomsel penulis mengambil dataset dari Twitter dan hasil analisis dengan TextBlob hanya menunjukkan nilai akurasi sebesar 58,59%. Optimasi dilakukan dengan menambah metode Support Vector Machine yang termasuk dalam kategori Supervised Learning. Hasil terbaik yang didapat dari penelitian ini adalah nilai akurasi menunjukkan 75%.