Perbandingan Akurasi Algoritma Naïve Bayes Dan Support Vector Machine Dalam Analisis Sentimen Pengguna Twitter Terhadap Aplikasi Sirekap

Authors

  • Gabriel Natalianus Viko Kurniawan Universitas Siber Indonesia
  • Neneng Rachamlia Feta Universitas Siber Indonesia

Abstract

Abstrak Dalam Pemilu tahun 2024, Aplikasi Sirekap memegang peran penting sebagai platform yang bertanggung jawab atas rekapitulasi dan publikasi hasil penghitungan suara, serta berkontribusi besar dalam menjaga transparansi dan akuntabilitas proses pemilu. Meskipun perannya sangat vital, aplikasi ini masih menghadapi sejumlah tantangan, salah satunya terkait dengan verifikasi data. Masalah verifikasi ini menyebabkan penumpukan data yang berujung pada penutupan sementara diagram hasil pemilihan oleh KPU. Kondisi ini memicu berbagai respons dan opini dari masyarakat, terutama terkait keandalan aplikasi. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap kinerja Aplikasi Sirekap serta membandingkan performa dua algoritma, yaitu Naive Bayes dan Support Vector Machine (SVM), dalam analisis sentimen. Berdasarkan hasil penelitian, terungkap bahwa algoritma SVM dengan Kernel RBF menunjukkan akurasi yang lebih tinggi, mencapai 84,15%, dibandingkan dengan Multinomial Naive Bayes yang hanya mencapai 77,64%. Hal ini menggarisbawahi keunggulan SVM dalam analisis sentimen. Di samping itu, penelitian ini menekankan pentingnya optimalisasi fitur dalam Aplikasi Sirekap untuk meningkatkan efektivitas, memastikan kinerja yang lebih baik, dan meraih respons yang lebih positif dari masyarakat. Kata kunci: Aplikasi Sirekap, Pemilu, Analisis Sentimen, Naïve Bayes, Support Vector Machine (SVM)   Abstract [Comparison Of The Accuracy Of The Naïve Bayes Algorithm And Support Vector Machine In Analyzing Twitter User Sentiment Towards The Sirekap Application] In the 2024 General Election, the Sirekap App plays an important role as the platform responsible for the recapitulation and publication of vote count results, and contributes greatly to maintaining transparency and accountability of the electoral process. Despite its vital role, the app still faces a number of challenges, one of which is related to data verification. This verification issue caused a buildup of data that led to the temporary closure of the election results diagram by the KPU. This condition triggered various responses and opinions from the public, especially regarding the reliability of the application. This study aims to analyze user sentiment towards the performance of Sirekap Application and compare the performance of two algorithms, namely Naive Bayes and Support Vector Machine (SVM), in sentiment analysis. Based on the results, it was revealed that the SVM algorithm with RBF Kernel showed higher accuracy, reaching 84.15%, compared to Multinomial Naive Bayes which only reached 77.64%. This underscores the superiority of SVM in sentiment analysis. In addition, this research emphasizes the importance of feature optimization in Sirekap App to increase effectiveness, ensure better performance, and gain more positive responses from the community. Keywords: Sirekap App, Election, Sentiment Analysis, Naïve Bayes, Support Vector Machine (SVM)

Downloads

Submitted

2024-09-12

Published

2024-10-11