Analisis Sentimen Komentar Twitter Tentang Perfoma Manchester United Dengan Menggunakan Algoritma Support Vector Machine
Analisis Sentimen Komentar Twitter Tentang Perfoma Manchester United Dengan Menggunakan Algoritma Support Vector Machine
https://doi.org/10.58466/aicoms.v3i1.1511
Keywords:
Analisis Sentimen, Manchester United, Komentar, Support Vector Machine, TwitterAbstract
Manchester United adalah salah satu klub terbesar di liga inggris yang memiliki sejarah yang sangat baik di persepakbolaan eropa bahkan di dunia.Pada musim 2023/2024 Manchester United mengalami musim yang sangat buruk hal ini menimbulkan berbagai sentimen negatif dan positif dari para penggemarnya terutama pada sosial media. Data sentimen yang di dapatkan dari sosial media twitter dimana para penggemar Manchester United mengeluarkan pendapat mereka mengenai peforma Manchester United di liga inggris.Penelitian ini menggunakan metode Support Vector Machine (SVM) data yang di kumpulkan dari twitter dan di proses sebelum di klasifikasikan ini bertujuan untuk menganalisis sentimen penggemar Manchester United berdasarkan komentar mereka di sosial media. Bedasarkan hasil yang didapatkan bahwa kemampuan kerja Support Vector Machine mempunyai hasil yang kurang baik yaitu 58,73% akurasi di karenakan dataset hanya menggunakan satu kata kunci yang membuat data kurang optimal dan kompleks sehingga membuat Support Vector Machine (SVM) menghasilkan akurasi yang cukup rendah.
References
J. J. Viera, S. Maryam, and L. Prihatini, “Analisa kejahatan Streaming Ilegal Liga Inggris: Tantangan Hukum, Ekonomi dan Dampak Pada Studi Kasus Zal TV,” Indones. J. Islam. Jurisprudence,Economic Leg. Theory, vol. 1, no. 4, pp. 989–997, 2023, [Online]. Available: http://www.shariajournal.com/index.php/IJIJEL/article/view/301/99
M. N. Humam, “Perbandingan Kinerja CNN dan Naïve Bayes pada Analisis Sentimen Performa Manchester United di Twitter,” J. Inf. Eng. Educ. Technol., vol. 7, no. 2, pp. 83–91, 2023, doi: 10.26740/jieet.v7n2.p83-91.
Rina Noviana and Isram Rasal, “Penerapan Algoritma Naive Bayes Dan Svm Untuk Analisis Sentimen Boy Band Bts Pada Media Sosial Twitter,” J. Tek. dan Sci., vol. 2, no. 2, pp. 51–60, 2023, doi: 10.56127/jts.v2i2.791.
H. Sujadi, “Analisis Sentimen Pengguna Media Sosial Twitter Terhadap Wabah Covid-19 Dengan Metode Naive Bayes Classifier Dan Support Vector Machine,” INFOTECH J., vol. 8, no. 1, pp. 22–27, 2022, doi: 10.31949/infotech.v8i1.1883.
S. Rahayu and Y. Yamasari, “Klasifikasi Penyakit Stroke dengan Metode Support Vector Machine (SVM),” J. Informatics Comput. Sci., vol. 05, pp. 440–446, 2024.
S. Styawati, N. Hendrastuty, and A. R. Isnain, “Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 6, no. 3, pp. 150–155, 2021, doi: 10.30591/jpit.v6i3.2870.
I. Indriati, M. Marji, and S. Pakpahan, “Analisis Sentimen Tentang Opini Performa Klub Sepak Bola Pada Dokumen Twitter Menggunakan Support Vector Machine Dengan Perbaikan Kata Tidak Baku,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 7259–7267, 2019.
M. S. Syahlan, D. Irmayanti, and S. Alam, “Analisis Sentimen Terhadap Tempat Wisata Dari Komentar Pengunjung Dengan Menggunakan Metode Support Vector Machine (Svm),” Simtek J. Sist. Inf. dan Tek. Komput., vol. 8, no. 2, pp. 315–319, 2023, doi: 10.51876/simtek.v8i2.281.
T. Ridwansyah, “Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 2, no. 5, pp. 178–185, 2022, doi: 10.30865/klik.v2i5.362.
A. Karami, M. Lundy, F. Webb, and Y. K. Dwivedi, “Twitter and Research: A Systematic Literature Review through Text Mining,” IEEE Access, vol. 8, pp. 67698–67717, 2020, doi: 10.1109/ACCESS.2020.2983656.
K. Yan, D. Arisandi, and T. Tony, “Analisis Sentimen Komentar Netizen Twitter Terhadap Kesehatan Mental Masyarakat Indonesia,” J. Ilmu Komput. dan Sist. Inf., vol. 10, no. 1, 2022, doi: 10.24912/jiksi.v10i1.17865.
M. Suhaemi, “The Effect Brand Love And Brand Personality On Brand Loyalty (Study On Member Fans Club Football Manchester United In Indonesia),” Manag. Bus. Soc. Sci. Peer Rev. J., vol. 1, no. 2, pp. 209–218, 2021, [Online]. Available: https://cvodis.com/ijembis/index.php/ijembis
G. A. Mursianto, D. Widiyanto, and B. T. Wahyono, “Analisis Sentimen Ulasan Pengguna Pada Aplikasi Google Classroom Menggunakan Metode SVM Dan Seleksi Fitur PSO,” Inform. J. Ilmu Komput., vol. 18, no. 3, p. 221, 2022, doi: 10.52958/iftk.v18i3.4685.
J. A. Septian, T. M. Fachrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., vol. 1, no. 1, pp. 43–49, 2019, doi: 10.52985/insyst.v1i1.36.
M. F. Muzakki, Jondri, and R. F. Umbara, “Analisis Sentimen Mahasiswa Terhadap Fasilitas Universitas Telkom Menggunakan Metode Jaringan Saraf Tiruan Dan Tf-Idf,” e-Prodeceeding Eng., vol. 6, no. 2, pp. 8608–8616, 2019, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/9834
R. J. Medford, S. N. Saleh, A. Sumarsono, T. M. Perl, and C. U. Lehmann, “An ‘Infodemic’: Leveraging high-volume twitter data to understand early public sentiment for the Coronavirus disease 2019 outbreak,” Open Forum Infect. Dis., vol. 7, no. 7, 2020, doi: 10.1093/ofid/ofaa258.
