ANALISA SENTIMEN MASYARAKAT INDONESIA TERHADAP PERKEMBANGAN VTUBER DENGAN METODE SUPPORT VECTOR MACHINE BERBASIS TEKNIK SMOTE

• Satrio Vambudi Rifki Maulana

---

ABSTRAK

Vtuber (Virtual Youtuber) merupakan seorang content creator yang membuat konten untuk platform youtube, berbeda dengan content creator lain, Vtuber menggunakan karakter animasi 2D atau 3D untuk berinteraksi dengan viewers. Vtuber biasanya menggunakan karakter anime yang ikonis untuk mewakili mereka, hal ini ditujukan untuk menarik minat para viewers yang biasanya berasal dari kalangan Weaboo saja atau biasa disebut Otaku. Untuk itu perlu dibuat sebuah analisis sentimen mengenai vtuber untuk memberi pengetahuan mengenai vtuber untuk masyarakat indonesia. Tujuan penelitian ini untuk dapat pemodelan klasifikasi sentimen menggunakan metode Support Vector Machine (SVM) dengan menggunakan metode penyeimbang yaitu Synthetic Minority Ovesampling Technique (SMOTE) yang terdapat pada RapidMiner, serta untuk mengetahui trend vtuber di indonesia berdasarkan cuitan Twitter. Melalui cuitan Twitter, analisis ini dapat dilakukan untuk mencari tahu bagaimana pendapat banyak orang mengenai vtuber dalam hal ini dapat dilakukan dengan memanfaatkan API yang disediakan oleh twitter. Dari hasil klasifikasi menggunakan dataset sebanyak 321 data komentar, diketahui sebanyak 220 data positive dan sebanyak 101 data negative, dihasilkan akurasi sebesar 88,18%.

Kata Kunci : vtuber, svm, twitter, smote, rapidminer, analisis sentimen

KATA KUNCI

SMOTE,RapidMiner

---

DAFTAR PUSTAKA

1. Upstation media, “Upstation Media, “Apa itu Vtuber? Jenis Konten Kreator Baru yang Lagi Ngetren di YouTube,” 2021.
2. I. D. B. Suryajaya, “Teknik motion capture dalam proses pembuatan animasi 3D mengunakan microsoft kinect,” Semin. Nas. Teknol. Inform. dan Multimed., vol. 3, no. 1, pp. 1–5, 2015.
3. idcloudhost, “Mengenal Virtual Reality?: Definisi, Cara Kerja, Contohnya,” 2020. .
4. BlueHeaven, “Dive Into Virtual World, Mengenal VTuber dan Sejenisnya Lebih Dalam,” http://jurnalotaku.com, 2020. http://jurnalotaku.com/2020/04/28/dive-into-virtual-world-mengenal-vtuber- dan-sejenisnya-lebih-dalam/.
5. S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018.
6. V. I. Santoso, G. Virginia, and Y. Lukito, “PENERAPAN SENTIMENT ANALYSIS PADA HASIL EVALUASI DOSEN DENGAN METODE SUPPORT VECTOR MACHINE,” J. Transform., vol. 14, no. 2, p. 72, Jan. 2017, doi: 10.26623/transformatika.v14i2.439.
7. E. A. S. ARWAN, VIRMAN ARDINA, LUDKI REZA ARIANA, FERICO SAMUEL, DUDI RAMDANI, ADITYA, “Synthetic Minority Over-sampling Technique (SMOTE) Algorithm For Handling Imbalanced Data,” 2018. https://mti.binus.ac.id/2018/06/08/synthetic-minority-over-sampling-

technique-smote-algorithm-for-handling-imbalanced-data/.

 

8. Normah, S. Nurajizah, and A. Salbinda, “Penerapan Data Mining Metode K- Means Clustering Untuk Analisa Penjualan Pada Toko Fashion Hijab Banten,” vol. V, no. 1, pp. 135–138, 2019, doi: 10.31294/jtk.v4i2.
9. Y. Mardi, “Data Mining?: Klasifikasi Menggunakan Algoritma C4.5,” Edik Inform., vol. 2, no. 2, pp. 213–219, 2017, doi: 10.22202/ei.2016.v2i2.1465.
10. H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018, doi: 10.33096/ilkom.v10i2.303.160-165.
11. B. Rifai, Normah, B. D. Febryanto, F. Yulianto, and N. Reflianah, “Analisis Sentimen Opini Publik Terhadap Penerapan Kebijakan Social Distancing Dalam Pencegahan Covid-19,” Paradig. – J. Inform. dan Komput., vol. 23, no. 1, pp. 55–62, 2021, doi: https://doi.org/0.31294/p.v%vi%i.8756.
12. A. Zumarniansyah, R. Febrianto, and W. Gata, “Twitter Sentiment Analysis of Post Natural Disasters Using Comparative Classification Algorithm Support Vector Machine and Naive Bayes,” PILAR Nusa Mandiri, vol. 16, no. 2, pp. 169–174, 2020.
13. D. Ardiansyah, “Algoritma C4.5 Untuk Klasifikasi Calon Peserta Lomba Cerdas Cermat Siswa Smp Dengan Menggunakan Aplikasi Rapid Miner,” J. Inkofar, vol. 1, no. 2, pp. 5–12, 2019, doi: 10.46846/jurnalinkofar.v1i2.29.
14. O. D. Amelia, A. M. Soleh, and S. Rahardiantoro, “Pemodelan Support Vector Machine Data Tidak Seimbang Keberhasilan Studi Mahasiswa Magister IPB,” Xplore J. Stat., vol. 2, no. 1, pp. 33–40, 2018, doi: 10.29244/xplore.v2i1.76.
15. B. W. Sari and F. F. Haranto, “Implementasi Support Vector Machine Untuk Analisis Sentimen Pengguna Twitter Terhadap Pelayanan Telkom Dan

Biznet,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 171–176, 2019, doi: 10.33480/pilar.v15i2.699.

16. H. A, L. K, S. N, D, and W. R, R, “No Title,” Anal. dan Penerapan Algoritm.

 

Support Vector Mach. dalam Data Min. untuk Menunjang Strateg. Promosi, vol. 7, 2019.

17. D. Ariadi and K. Fithriasari, “Klasifikasi Berita Indonesia Menggunakan Metode Naive Bayesian Classification dan Support Vector Machine dengan Confix Stripping Stemmer,” J. SAINS DAN SENI ITS Vol. 4, No.2, vol. 4, no. 2, pp. 248–253, 2017.
18. F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 1, pp. 19–25, 2017, doi: 10.29207/resti.v1i1.11.
19. O. Pahlevi and I. Satriadi, “Optimasi Algoritma C4 . 5 dan Naïve Bayes Berbasis Particle Swarm Optimization Untuk Diagnosa Penyakit Peradangan Hati,” vol. 2, no. 1, pp. 10–14, 2021.
20. V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162– 170, 2020, doi: 10.22146/jnteti.v9i2.102.

 

 

21. G. A. Buntoro, “ANALISIS SENTIMEN HATESPEECH PADA TWITTER DENGAN METODE NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE,” J. Din. Inform., vol. 5, no. 2, pp. 1–13, 2016.
22. R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.