Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia
DOI:
https://doi.org/10.48144/suryainformatika.v15i2.2201Keywords:
Media Sosial, Sentimen, SVM, Telemedicine, Text MiningAbstract
Telemedicine di Indonesia telah berkembang sejak diperkenalkan pada tahun 2012, namun masih menghadapi tantangan terkait pemahaman teknologi dan keterbatasan akses di daerah terpencil. Mengingat pentingnya telemedicine dalam meningkatkan akses layanan kesehatan, pemahaman terhadap persepsi publik menjadi krusial untuk mengevaluasi penerimaan dan kendala yang dihadapi. Analisis sentimen dapat membantu mengidentifikasi opini masyarakat terhadap layanan ini, baik dari segi manfaat maupun hambatan yang dialami. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap layanan telemedicine menggunakan data dari media sosial X. Data dikumpulkan melalui teknik scraping dengan kata kunci "Telemedicine" dan dianalisis menggunakan algoritma Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa dari 525 tweet yang dianalisis, 468 tweet memiliki sentimen positif, 48 tweet negatif, dan 9 tweet netral. Model SVM menunjukkan tingkat akurasi sebesar 84%, dengan precision 28%, recall 33%, dan F1-score 30%
References
N. Fitriyah, B. Warsito, and D. A. I. Maruddani, “Analisis Sentimen Gojek Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (Svm,” J. Gaussian, vol. 9, no. 3, pp. 376–390, 2020, doi: 10.14710/j.gauss.v9i3.28932.
R. Rakarahayu Putri and N. Cahyono, “Analisis Sentimen Komentar Masyarakat Terhadap Pelayanan Publik Pemerintah Dki Jakarta Dengan Algoritma Super Vector Machine Dan Naive Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2363–2371, 2024, doi: 10.36040/jati.v8i2.9472.
D. Agustina, A. Sufia, H. Shofia, I. Cahyani, J. P. Ralya, and T. Mariani, “Review Article: Efektivitas Penggunaan Telemedicine Pada Masa Pandemi Sebagai Sarana Konsultasi Kesehatan,” J. Keperawatan dan Kesehat. Masy. Cendekia Utama, vol. 12, no. 3, p. 257, 2023, doi: 10.31596/jcu.v12i3.1766.
M. Ulfa, “Analisis Sentimen Terhadap Layanan Telemedicine Menggunakan Metode Support Vector Machine (SVM),” Universitas Malikussaleh, 2022.
R. A. J. Fahmi, W. M. Nur, D. Canawine, M. N. Kusumajaya, A. F. Fadhlillah, and N. A. Rakhmawati, “Analisis Sentimen Masyarakat Terhadap Uu Perlindungan Data Pribadi Pada Media Sosial Twitter Menggunakan Metode Support Vector Machine,” Method. J. Tek. Inform. dan Sist. Inf., vol. 10, no. 1, pp. 6–10, 2024, doi: 10.46880/mtk.v10i1.2335.
S. F. Pane, A. Owen, and C. Prianto, “Analisis Sentimen UU Omnibus Law pada Twitter Menggunakan Metode Support Vector Machine,” J. Telekomun. dan Komput., vol. 11, no. 2, p. 130, 2021, doi: 10.22441/incomtech.v11i2.10874.
R. Rosdiana, M. Ula, and H. A. K. Aidilof, “Implementasi Pemodelan Citra Model Svm (Support Vector Machine) Dalam Penentuan Pengklasifikasian Jenis Suara Kontes Burung,” J. Inform. Kaputama, vol. 5, no. 2, pp. 317–324, 2021, doi: 10.59697/jik.v5i2.264.
Y. Alkhalifi, W. Gata, A. Prasetya, and I. Budiawan, “Analisis Sentimen Penghapusan Ujian Nasional pada Twitter Menggunakan Support Vector Machine dan Naïve Bayes berbasis Particle Swarm Optimization,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 6, no. 2, p. 71, 2020, doi: 10.24014/coreit.v6i2.9723.
A. Liani, “Analisis Perbandingan Kernel Algoritma Support Vector Machine dalam Mengklasifikasikan Skripsi Teknik Informatika berdasarkan Abstrak,” JOINS (Journal Inf. Syst., vol. 5, no. 2, pp. 240–249, 2020, doi: 10.33633/joins.v5i2.3715.
S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Comparative Evaluation of SVM Kernels for Sentiment Classification in Fuel Price Increase Analysis,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 153–160, 2023.
