PERBANDINGAN KINERJA METODE MESIN VEKTOR PENDUKUNG TANPA DAN DENGAN FITUR BERBASIS LEKSIKON PADA ANALISIS SENTIMEN VAKSINASI COVID-19 DI INDONESIA

Twitter merupakan salah satu media sosial yang sering digunakan untuk mendapatkan berita secara cepat dan singkat. Setelah merebaknya wabah virus COVID-19 dan kebijakan pemerintah untuk melakukan vaksinasi COVID-19 di Indonesia, opini masyarakat semakin banyak yang dituangkan melalui tweet. Hal ini menyebabkan topik vaksinasi COVID-19 menarik untuk dilakukan analisis sentiment. Analisis sentimen adalah suatu teknik mengekstrak data teks menggunakan metode klasifikasi untuk mendapatkan informasi tentang sentimen bernilai positif maupun negatif. Oleh karena itu dalam penelitian ini dilakukan klasifikasi opini masyarakat terhadap vaksinasi COVID-19 menggunakan metode mesin vektor pendukung tanpa fitur dan dengan fitur berbasis leksikon. Data hasil pelabelan manual yang digunakan dalam penelitian sebanyak 2981 data tweet. Hasil ketetapan klasifikasi menggunakan mesin vektor pendukung pada data vaksinasi COVID-19 di Indonesia diperoleh akurasi, g-mean dan AUC sebesar 83%, 50% dan 61.35%, sedangkan dengan fitur berbasis leksikon pada data vaksinasi COVID-19 di Indonesia diperoleh akurasi, g-mean dan AUC sebesar 90%, 86.63% dan 87%. Dari hasil pengujian diperoleh bahwa mesin vektor pendukung dengan fitur berbasis leksikon memiliki hasil klasifikasi yang lebih baik dibandingkan dengan mesin vektor pendukung tanpa fitur.