Perbandingan Algoritma Support Vector Machine dan Random Forest untuk Analisis Sentimen Terkait Danantara

Abstrak

Penelitian ini mencari akurasi dua algoritma yang umum digunakan untuk analisis sentimen yaitu SVM dan Random Forest, untuk menganalisis sentimen terkait kebijakan pemerintah Indonesia yang dikenal sebagai Danantara. Tujuan utamanya adalah untuk menganalisis pendapat publik yang diungkapkan di media sosial, khususnya pada platform X (Twitter), yang bertujuan untuk mengoptimalkan aset negara melalui investasi strategis. Program ini telah memicu beragam pendapat di antara pengguna, dengan banyak yang mengekspresikan sentimen positif sementara yang lain menimbulkan kekhawatiran tentang transparansi dalam implementasinya. Untuk mencapai hal ini, penelitian ini menggunakan pendekatan komputasi untuk analisis sentimen, dengan fokus pada pendapat, perasaan, emosi yang disampaikan dalam data tekstual. Analisis ini bertujuan untuk menentukan polaritas tweet, mengkategorikannya sebagai positif atau negatif. Dengan membandingkan kinerja algoritma SVM dan Random Forest, penelitian ini berusaha mengidentifikasi metode mana yang memberikan klasifikasi sentimen yang lebih akurat dalam konteks diskusi kebijakan pemerintah danantara. Hasil yang didapatkan pada model Support Vector Machine (SVM) mendapatkan keakuratan sebesar 75% sedangkan pada model Random Forest keakuratan yang didapatkan sebesar 72%. Hal ini menunjukkan bahwa pada topik analisis sentiment kebijakan pemerintah danantara, Model Support Vector Machine (SVM) menunjukkan keakuratan yang lebih baik daripada Random Forest.