IMPLEMENTASI WORD EMBEDDING GLOVE PADA SUPPORT VECTOR MACHINE DENGAN PARTICLE SWARM OPTIMIZATION UNTUK ANALISIS SENTIMEN
DOI:
https://doi.org/10.26618/nnc0w522Keywords:
Analisis Sentimen, Support Vector Machine, Word Embedding GloVe, Particle Swarm OptimizationAbstract
Tujuan: Penelitian ini menerapkan word embedding GloVe pada Support Vector Machine yang dioptimalkan memanfaatkan Particle Swarm Optimization untuk mengevaluasi efektivitas model klasifikasi analisis sentimen ulasan pengguna Indodax di platform media sosial X.
Metode: Pada studi ini, data teks diklasifikasikan memanfaatkan pendekatan metodologi kuantitatif. Data berupa 877 cuitan pengguna Indodax di media sosial X yang dikumpulkan melalui teknik scraping menggunakan Python. Tahapan analisis meliputi pengumpulan data, pre-processing data, pelabelan sentimen, word embedding GloVe, pembagian data, Particle Swarm Optimization digunakan guna optimasi parameter, serta Support Vector Machine dimanfaatkan untuk klasifikasi.
Hasil: Hasil penelitian menunjukkan bahwa analisis sentiment ulasan pengguna Indodax di media sosial X menghasilkan distribusi sentimen yang relatif seimbang, yaitu sebesar 49,7% sentimen positif dan 50,3% sentimen negatif. Selain itu, melalui skor akurasi sejumlah 82%, presisi 85%, recall 82%, serta f1-score 84%, hasil penilaian model menunjukkan bahwa penerapan word embedding GloVe pada SVM yang dioptimalkan dengan Particle Swarm Optimization dapat menghasilkan performa klasifikasi yang baik.
Simpulan: Dengan menggabungkan GloVe word embedding dengan Support vector Machine yang dioptimasi menggunakan PSO, penelitian ini memberikan kontribusi dalam pengembangan metode analisis sentimen berbasis machine learning, serta memberikan implikasi praktis bagi pengelola platform dan pemerintah dalam memahami persepsi pengguna terhadap layanan investasi digital.
References
Ama, A. U. T., Mulya, D. N., Astuti, Y. P. D., & Prasadhya, I. B. G. (2022). Analisis sentimen customer feedback Tokopedia menggunakan algoritma Naïve Bayes. Jurnal Sistem Komputer dan Informatika (JSON), 4(1), 50. https://doi.org/10.30865/json.v4i1.4783
Anjani, M., & Irmanda, H. N. (2024). Comparison performance of Word2Vec, Glove, FastText using support vector machine method for sentiment analysis. Jurnal Teknik Informatika (Jutif), 5(3), 669–674. https://doi.org/10.52436/1.jutif.2024.5.3.1366
Arsi, P., & Waluyo, R. (2021). Analisis sentimen wacana pemindahan ibu kota Indonesia menggunakan algoritma support vector machine (SVM). Jurnal Teknologi Informasi dan Ilmu Komputer, 8(1), 147–156. https://doi.org/10.25126/jtiik.202183944
Dhafin Firgayanda, M., & Jumhur, H. M. (2022). Analisis pengaruh financial literacy terhadap keputusan investasi di pasar cryptocurrency (Studi pada pengguna platform Indodax) [Skripsi, Universitas Pendidikan Indonesia]. Repositori UPI.
Diannita Sari, F., Widayat, W., & Artikel, R. (2025). Analisis sentimen masyarakat terhadap PON 2024 Aceh dan Sumatra Utara di Twitter menggunakan algoritma SVM dan KNN. AITI: Jurnal Teknologi Informasi, 22(2), 102–116.
Eka Achyani, Y. (2018). Penerapan metode particle swarm optimization pada optimasi prediksi pemasaran langsung. Jurnal Informatika, 5(1), 1–11.
Franciska Mey Dina, D., Haryanti, T., & Amirul Haq, M. (2025). Analisis sentimen terhadap komentar pada media sosial TikTok yang berpotensi menyebabkan depresi menggunakan metode Naive Bayes. Jurnal Ilmiah Computing Insight, 7(1).
Ginabila, G., Fauzi, A., Pratiwi, R. L., Fauziah, S., & Alfianti, Z. I. (2024). Analisis sentimen perkembangan motor listrik menggunakan support vector machine dan optimasi particle swarm optimization. INTI Nusa Mandiri, 19(1), 77–83. https://doi.org/10.33480/inti.v19i1.5579
Ikhwan Saputra, E., Khairul Anam, M., Yenni, H., & Zamsuri, A. (2025). Optimalisasi algoritma support vector machine pada aspect-based sentiment analysis menggunakan grid search CV. Jurnal Sistem Informasi, 7(1).
Ivo Drajana. (2017). Metode support vector machine dan forward selection prediksi pembayaran pembelian bahan baku kopra. ILKOM Jurnal Ilmiah, 9(1), 1–7.
Maulidah, N., Supriyadi, R., Utami, D. Y., Hasan, F. N., Fauzi, A., & Christian, A. (2021). Prediksi penyakit diabetes melitus menggunakan metode support vector machine dan naive Bayes. Indonesian Journal on Software Engineering (IJSE), 7(1), 63–68.
Monika Parapat, I., & Tanzil Furqon, M. (2018). Penerapan metode support vector machine (SVM) pada klasifikasi penyimpangan tumbuh kembang anak. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(10), 3273–3278.
Muhammad Ariq Faqih. (2025). Analisis strategi kreatif Indodax dalam membangun brand image di industri cryptocurrency [Tesis sarjana, Universitas Islam Indonesia]. Repository UII.
Munawaroh, K. (2022). Performance comparison of SVM, Naïve Bayes, and KNN algorithms for analysis of public opinion sentiment against COVID-19 vaccination on Twitter. Journal of Advances in Information Systems and Technology, 4(2), 69–78.
Nurdin, A., Anggo, B., Aji, S., Bustamin, A., & Abidin, Z. (2020). Perbandingan kinerja word embedding Word2Vec, Glove, dan FastText pada klasifikasi teks. Jurnal TEKNOKOMPAK, 14(2), 74–79.
Putra, R. F. D., Sudewo, A. H., & Wibowo, A. (2024). Particle swarm optimization and grid search optimization on support vector machine algorithm on sentiment analysis of Donald Trump’s assassination attempt. Jurnal Teknik Informatika (Jutif), 5(6), 1609–1619. https://doi.org/10.52436/1.jutif.2024.5.6.2713
Ramadhan, B. Z., Riza, I., & Maulana, I. (2022). Analisis sentimen ulasan pada aplikasi e-commerce dengan menggunakan algoritma Naïve Bayes. Journal of Applied Informatics and Computing (JAIC), 6(2), 187–192.
Rangga, M., Nasution, A., & Hayaty, M. (2019). Perbandingan akurasi dan waktu proses algoritma K-NN dan SVM dalam analisis sentimen Twitter. Jurnal Informatika, 6(2), 212–218.
Reynaldi Valerian, F., Syarief, M., Abdul Fatah, D., & Raya Telang, J. (2025). Klasifikasi tingkat obesitas menggunakan metode GBM dan confusion matrix. Jurnal Mahasiswa Teknik Informatika, 9(2), 1–8.
Romadoni, F., Umaidah, Y., & Sari, B. N. (2020). Text mining untuk analisis sentimen pelanggan terhadap layanan uang elektronik menggunakan algoritma support vector machine. Jurnal Sisfokom (Sistem Informasi dan Komputer), 9(2), 247–253. https://doi.org/10.32736/sisfokom.v9i2.903
Sabrila, T. S., Sari, V. R., & Minarno, A. E. (2021). Analisis sentimen pada tweet tentang penanganan Covid-19 menggunakan word embedding pada algoritma support vector machine dan K-nearest neighbor. Fountain of Informatics Journal, 6(2), 69–75. https://doi.org/10.21111/fij.v6i2.5536
Safitri, T., Umaidah, Y., & Maulana, I. (2023). Analisis sentimen pengguna Twitter terhadap BTS menggunakan algoritma support vector machine. Journal of Applied Informatics and Computing (JAIC), 7(1), 44–49.
Sudarwanti, M., Kholwati, S., & Lestari, A. (2025). Muamalah zaman now: Apakah kripto termasuk mata uang sah? Jurnal Bisnis dan Syariah, 6(1), 1–15.
Suprianto, O., Kiftiah, M., & Perdana, H. (2024). Penerapan particle swarm optimization dalam penyusunan jadwal mata kuliah di prodi matematika Universitas Tanjungpura. Buletin Ilmiah Math. Stat dan Terapannya (Bimaster), 13(5), 1–8.
Tirta, A., Subandono, P., & Ariatmanto, D. (2025). Optimalisasi seleksi fitur dalam analisis sentimen Bank Saqu: Studi perbandingan SVM dan random forest menggunakan information gain dan Chi-square. Sistemasi: Jurnal Sistem Informasi, 14(1), 1–15.
Vincent, R., Maulana, I., & Komarudin, O. (2023). Perbandingan klasifikasi naive Bayes dan support vector machine dalam analisis sentimen dengan multiclass di Twitter. Jurnal Mahasiswa Teknik Informatika, 7(4), 1–8.
Yuranda, R., Sutabri, T., & Wahyuningsih, D. (2023). Machine learning approach in evaluating news labels based on titles: Online media case study. Jurnal Sisfokom (Sistem Informasi dan Komputer), 12(3), 434–439. https://doi.org/10.32736/sisfokom.v12i3.1808
Yusupa, A., & Tarigan, V. (2024). Perbandingan algoritma machine learning dalam analisis sentimen mobil listrik di Indonesia pada media sosial Twitter/X. JIP (Jurnal Informatika Polinema), 10(2), 1–8.
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
With the receipt of the article by the SIGMA: Jurnal Pendidikan Matematika Editorial Board and the decision to be published, then the copyright regarding the article will be diverted to SIGMA: Jurnal Pendidikan Matematika.
Universitas Muhammadiyah Makassar as the publisher of SIGMA: Jurnal Pendidikan Matematika hold the copyright regarding all the published articles in this journal.Universitas Muhammadiyah Makassar has the right to multiply and distribute the article and every author is not allowed to publish the same article that was published in this journal.
The manuscript authentic and copyright statement submission can be downloaded ON THIS FORM.
