YASKUR BEARLY FERNANDES, - (2026) PENERAPAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PADA KOMETAR BITCOIN DI APLIKASI X. Bulletin of Computer Science Research, 6 (1). pp. 381-391. ISSN ISSN 2774-3659 (Media Online)

Preview	Text (ARTIKEL JURNAL) Journal Publish (1) yaskur - YASKUR BEARLY FERNANDES Teknik Informatika.pdf - Published Version Download (2MB) | Preview
Preview	Text (PUBLIKASI MAHASISWA) Persetujuan Publikasi - YASKUR BEARLY FERNANDES Teknik Informatika.pdf - Published Version Download (479kB) | Preview
Preview	Text (PUBLIKASI DOSEN) Persetujuan Publikasi Dosen - YASKUR BEARLY FERNANDES Teknik Informatika.pdf - Published Version Download (805kB) | Preview

Abstract

Abstrak−Media sosial menjadi sarana utama bagi pengguna dalam menyampaikan opini, termasuk terhadap Bitcoin yang memiliki nilai fluktuatif dan memicu beragam tanggapan. Banyaknya komentar yang tidak terstruktur menyebabkan analisis sentimen secara manual menjadi tidak efisien, sehingga diperlukan pendekatan otomatis berbasis machine learning. Penelitian ini bertujuan mengklasifikasikan sentimen positif dan negatif pada komentar Bitcoin di platform X menggunakan algoritma Support Vector Machine (SVM) dengan pembobotan fitur Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 1.750 komentar berbahasa Indonesia yang dilabeli oleh tiga anotator. Data diproses melalui tahapan case folding, pembersihan teks, tokenisasi, stopword removal, dan stemming. Pengujian dilakukan menggunakan empat rasio pembagian data, yaitu 90:10, 80:20, 70:30, dan 60:40. Hasil penelitian menunjukkan bahwa rasio 90:10 menghasilkan performa terbaik dengan akurasi 72,57%, precision 0,75, recall 0,73, dan F1-score 0,67. Model SVM menunjukkan kinerja yang baik dalam mengidentifikasi sentimen positif, namun kurang optimal dalam mendeteksi sentimen negatif akibat ketidakseimbangan distribusi data. Sebagai percobaan tambahan, dilakukan pengujian menggunakan dataset seimbang hasil proses undersampling serta beberapa jenis kernel SVM sebagai pembanding. Hasil percobaan tambahan menunjukkan bahwa penggunaan dataset seimbang menghasilkan klasifikasi yang lebih merata antar kelas, sementara kernel linear memberikan kinerja yang paling stabil dibandingkan kernel lainnya. Secara keseluruhan, SVM dengan pembobotan TF-IDF terbukti efektif untuk analisis sentimen komentar Bitcoin di media sosial. Kata Kunci: Analisis Sentimen; Term Frequency-Inverse Document Frequency; Bitcoin; Support Vector Machine; Platform X

Actions (login required)

View Item