Komparasi Fungsi Kernel Metode Support Vector Machine untuk Analisis Sentimen Instagram dan Twitter (Studi Kasus : Komisi Pemberantasan Korupsi)

Kinerja Komisi Pemberantasan Korupsi (KPK) yang bertugas memberantas korupsi di negeri pertiwi ini, tak jarang mendapat sorotan komentar dari berbagai kalangan masyarakat. Komentar positif, negatif maupun netral menghiasi kolom komentar di twitter maupun di instagram. Karena kolom komentar di twitter dan instagram tidak dapat mengelompokkan komentar berdasarkan jenis sentimennya (positif, negatif, atau netral) maka diperlukan sebuah sistem analisis sentimen yang dapat mengolompokkan komentar berdasarkan sentimennya. Penelitian sebelumnya yang dilakukan oleh Nooraeni, dkk (2020) tentang analisis sentimen data twitter mengenai isu RUU KPK dengan metode Support Vector Machine menggunakan kernel RBF menghasilkan akurasi sebesar 81.32%, presisi sebesar 71.47%, dan recall sebesar 87.64%. Tujuan dari penelitian ini yaitu menerapkan dengan membandingkan kernel linier, kernel polinomial dan kernel sigmoid pada metode Support Vector Machine untuk klasifikasi analisis sentimen serta menghitung tingkat akurasi, presisi, dan recall pada tiga jenis kernel (kernel linier, kernel polinomial dan kernel sigmoid) untuk klasifikasi analisis sentimen. Penelitian ini menggunakan metode Support Vector Machine sebagai algoritma untuk menganalisis sentimen dengan membandingkan kinerja tiga jenis kernel (kernel linier, kernel polinomial dan kernel sigmoid) sebagai salah satu parameter yang dapat digunakan untuk meningkatkan akurasi metode Support Vector Machine. Hasil penelitian ini didapatkan bahwa kernel linier memiliki akurasi tertinggi sebesar 83.06%, presisi sebesar 91.04%, dan recall sebesar 89.70%, untuk kernel polinomial memiliki akurasi sebesar 81.45%, presisi sebesar 88.57%, dan recall sebesar 91.17% sedangkan kernel sigmoid memiliki akurasi sebesar 79.83%, presisi sebesar 91.93%, dan recall sebesar 83.82%.