Optimasi Support Vector Machine Menggunakan Particle Swarm Optimization pada Analisis Sentimen Program Efisiensi Anggaran Pemerintah

Abstrak

Respon publik terkait kebijakan pemerintah, termasuk program efisien anggaran dapat dipahami menggunakan pendekatan analisis sentimen. Penelitian ini bertujuan membandingkan kinerja algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Functional (RBF), kernel Linear, dan kernel Polynomial, serta mengevaluasi pengaruh Particle Swarm Optimization (PSO) terhadap peningkatan performa klasifikasi. Dataset sebanyak 4274 data diperoleh melalui teknik crawling dari media sosial X (Twitter) dan kemudian diproses melalui langkah-langkah pembersihan teks seperti cleaning, case folding, normalization, tokenization, stopword removal, stemming, labeling menggunakan lexicon based serta menggunakan TF-IDF (Term Frequency-Inverse Document Frequency) untuk ekstraksi fitur. Proses penilaian kinerja model dilaksanakan dengan memanfaatkan indikator accuracy, precision, recall, dan F1-score, serta didukung oleh analisis confusion matrix. Berdasarkan hasil pengujian yang diperoleh, penelitian ini menunjukkan bahwa SVM kernel Linear berhasil meningkatkan akurasi menjadi 0.7579 atau 75.79%, sedangkan pada kernel RBF dan Polynomial tidak memberikan peningkatan signifikan. Selain itu, kelas netral menjadi kelas yang paling sulit diklasifikasikan. Penelitian ini menyimpulkan bahwa kombinasi SVM Linear dan PSO merupakan model terbaik untuk analisis sentimen kebijakan efisiensi anggaran pemerintah, serta menegaskan pentingnya pemilihan kernel dan strategi optimasi yang tepat dalam pengembangan sistem klasifikasi berbasis machine learning.