Analisis sentimen subsidi Bahan Bakar Minyak (BBM) di twitter menggunakan support vector machine
T Twitter merupakan salah satu platform media sosial yang digunakan oleh masyarakat di Indonesia. Twitter sering digunakan oleh para penggunanya untuk menyampaikan pendapat terkait suatu produk, lembaga atau acara. Dari kata kunci BBM, subsidi BBM merupakan kata kunci yang saat ini menjadi trending topik karena perubahan subsidi BBM mempengaruhi harga kebutuhan pokok lainnya, untuk mengetahui nilai sentimen dalam opini publik, analisis sentimen merupakan salah satu metode yang digunakan yaitu support vector machine dan berbasis leksikon.Lexicon merupakan metode pelabelan dengan cara mencocokkan kata-kata yang terdapat pada dokumen dengan kata-kata yang terdapat pada kamus. Setelah dilakukan pelabelan, data diuji menggunakan metode klasifikasi, tahap klasifikasi dilakukan setelah melalui tahap preprocessing, dimana hasil klasifikasi tweet cenderung positif atau negatif, menggunakan metode Support Vector Machine dan divalidasi dengan K-Fold Cross Validation.Penelitian ini menghasilkan 35.055 data yang terbagi menjadi 14.097 sentimen positif, 6129 sentimen netral dan 14.829 sentimen negatif. Hasil klasifikasi menggunakan SVM pada penelitian ini diperoleh sebesar 92,3% untuk kernel Linear dan 90,8% untuk kernel RBF
T Twitter is one of the social media platforms used by people in Indonesia. Twitter is often used by its users to express opinions regarding a product, institution or event. From the keyword fuel, fuel subsidy is a keyword that is currently a trending topic because changes in fuel subsidies affect the prices of other staples, to find out the value of sentiment in public opinion, sentiment analysis is one of the methods used is the support vector machine and lexicon based.Lexicon is a labeling method by matching the words contained in the document with the words contained in the dictionary. After labeling, the data is tested using the classification method, the classification stage is carried out after going through the preprocessing phase, where the tweet classification results tend to be positive or negative, using the Support Vector Machine method and validated by K-Fold Cross Validation.This research produced 35,055 data which were divided into 14,097 positive sentiments, 6129 neutral sentiments and 14,829 negative sentiments. Classification results using SVM in this study were obtained at 92.3% for the Linear kernel and 90.8% for the RBF kernel.