ANALISIS SENTIMEN UNGGAHAN PADA TWITTER MENGGUNAKAN METODE GABUNGAN SUPPORT VECTOR MACHINE (SVM) DAN METODE K-MEANS DI PT.XYZ

Kereta api merupakan salah satu transportasi umu yang dapat dijadikan pilihan, karena selain dapat mempersingkat waktu perjalanan, kereta api menyedikan berbagai jenis kelas dengan harga yang terjangkau oleh masyarakat kebanyakan. Perusahaan penydia kereta api sudah berusaha untuk meningkatkan kualitas layannya, walaupun masih cukup banyak kritik yang diberikan terhadap pelayanan yang disediakan. Beberapa hal yang dikritisi ini dapat membuat masyarakat menjadi tidak loyal dan beralih untuk menggunakan jenis transportasi umum lainnya. Biasanya, masyarakat menyampaikan pesan, saran, keluhan, dan kritik mereka di Twitter. Hal tersebut membuat Twitter menjadi salah satu media sosial yang dapat digunakan oleh perusahaan kereta api untuk bahan penilaian dan evaluasi terhdap layanan yang diberikan. Analisis sentimen merupakan metode klasifikasi yang dipilih untuk melakukan pengelompokan tweet sehingga dapat melihat tanggapan maupun gambaran masyarakat terkait pelayanan yang diberikan. Tugas Akhir ini berkaitan dengan pembuatan dan implementasi analisis sentiment dengan menggunakan metode klasifikasi yang dipilih untuk melakukan pengelompokkan tweet sehingga dapat melihat tanggapan ataupun gambaran masyarakat terkait pelayanan yang dilakukan. Selain itu ada juga k-means yaitu cluster yang akan digunakan untuk digunakan untuk membantu pemberian label yang akan nantinya digunakan untuk proses analisa sentiment. Selain itu dicari kata- kata yang paling sering keluar, sehingga dapat melihat hal apa saja yang sering dikomentari atau ditanyakan oleh masyarakat. Hal ini dilakukan untuk meningkatkan kualitas relasi antar perusahaan dan pelangga yang nantinya dapat berpengaruh pada meningkatnya loyalitas dan juga kepuasan pelanggan. Implementasi pengelompokan diuji coba menggunakan k-means untuk mengelompokkan teks, dan analisis sentimen diuji coba menggunakan menggunakan SVM juga dilakukan. Hasil uji coba menunjukkan bahwa 96% hasil diperoleh untuk menguji data dan juga 93% untuk data pelatihan. Jadi dapat dikatakan bahwa SVM cukup baik dalam membuat model untuk data ini. Selain itu, terlihat juga bahwa publik paling sering bertanya di halaman Twitter. Adapun kritik, jumlahnya cukup minim, yaitu di bawah 20%, dan secara bertahap menurun ========================================================================== Train is one of the public transportation that can be used as an option, because besides being able to shorten travel time, trains provide various types of classes at prices that are affordable to the general public. Railway supply companies have made efforts to improve the quality of their services, although there are still quite a few criticisms given to the services provided. Several things that have been criticized can make people disloyal and switch to using other types of public transportation. Usually, people submit their messages, suggestions, complaints and criticisms on Twitter. This makes Twitter one of the social media that can be used by railway companies for assessment and evaluation of the services provided. Sentiment analysis is the classification method chosen for grouping tweets so that people can see responses and descriptions of the community regarding the services provided. This final project deals with the creation and implementation of sentiment analysis using the selected classification method for grouping tweets so that they can see the responses or images of the community regarding the services performed. In addition, there are also k-means, namely clusters that will be used to assist labeling which will be used for the sentiment analysis process. Apart from that, search for the words that come out most often, so that people can see what things are often commented on or asked about by the community. This is done to improve the quality of relationships between companies and customers which in turn can have an effect on increasing loyalty and customer satisfaction. The implementation of clustering was tested using k-means to classify texts, and trial and error sentiment analysis using SVM was also carried out. The trial results showed that 96% of the results were obtained for testing the data and also 93% for the training data. So it can be said that SVM is quite good at modeling for this data. Apart from that, it was also seen that the public asked questions the most on the Twitter page. As for criticism, the number is quite minimal, at under 20%, and gradually decreasing