Penerapan Metode Support Vector Machines (SVM) dan Metode Naïve Bayes Classifier (NBC) dalam Analisis Sentimen Publik terhadap Konsep Child-free di Media Sosial Twitter

Abstract

Child-free adalah konsep di mana seseorang memilih untuk tidak memiliki anak. Seiring dengan derasnya arus informasi, konsep child-free ini mulai ramai diperbincangkan, terutama di media sosial Indonesia, seperti Twitter. Analisis sentimen adalah penambangan ekspresi dan pandangan semua orang tentang suatu fenomena atau produk dalam bentuk teks. Melalui kumpulan sampel opini dan ekspresi yang besar, kita dapat menangkap suara atau pandangan masyarakat, memahami dinamika yang sedang terjadi, bahkan mengetahui sejauh mana isu tersebut mulai menyentuh aspek kehidupan sosial masyarakat. Penelitian ini bertujuan untuk melakukan analisis sentimen dengan membandingkan kinerja dua metode berbeda yang digunakan untuk mengklasifikasikan pandangan orang dalam bentuk data teks tweet dari Twitter. Dua metode yang dibandingkan adalah Support Vector Machines (SVM) dan Naive Bayes Classifier (NBC). Tujuan lain dari penelitian ini adalah untuk memberikan gambaran sentimen publik di media sosial Twitter tentang konsep child-free. Hasil penelitian ini menunjukkan bahwa data mengalami ketidakseimbangan sehingga untuk mengatasinya digunakan metode SMOTE, SMOTE berhasil meningkatkan sensitivitas prediksi data minor. Metode klasifikasi yang menghasilkan prediksi terbaik pada data uji menggunakan kriteria F1-weighted average adalah SMOTE-SVM dengan nilai mencapai 60,45%. Pendapat yang mendukung child-free kebanyakan berkaitan dengan ketidaksiapan orang tua untuk merawat anak, sementara pendapat yang menolak child-free berpikir bahwa hal tersebut bertentangan dengan anjuran agama dan keputusan child-free dipandang menyulitkan dimasa tua karena tidak ada anak-anak yang merawat orang tua.