Klasifikasi support vector machine (SVM) terhadap sentimen publik pada kenaikan uang kuliah tunggal (UKT) (Studi Kasus : Platform X)

INDONESIA:

Kebijakan kenaikan Uang Kuliah Tunggal (UKT) di perguruan tinggi negeri memicu berbagai reaksi dari masyarakat, khususnya di media sosial. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap kebijakan tersebut dengan menggunakan metode Support Vector Machine (SVM). Data yang digunakan diperoleh dari Platform X dan terdiri atas tweet yang mengandung opini publik terkait kenaikan UKT. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelabelan sentimen secara manual, ekstraksi fitur menggunakan metode TF-IDF, pelatihan model SVM, serta evaluasi performa model. Berdasarkan hasil klasifikasi terhadap 197 data testing, model SVM berhasil mengklasifikasikan 182 data sebagai sentimen negatif dan 2 data sebagai sentimen positif secara tepat. Namun demikian, terdapat 13 data yang diklasifikasikan secara keliru, yaitu 2 data negatif yang terklasifikasi sebagai positif dan 11 data positif yang terklasifikasi sebagai negatif. Evaluasi performa model menunjukkan tingkat akurasi sebesar 93% dan nilai ROC AUC sebesar 74%, yang mengindikasikan bahwa model memiliki kinerja yang baik secara umum.

ENGLISH:
The policy of increasing the Single Tuition Fee (UKT) in public universities has triggered various reactions from the public, especially on social media. This research aims to classify public sentiment towards the policy using the Support Vector Machine (SVM) method. The data used is obtained from Platform X and consists of uploads containing public opinion related to the UKT increase. The research stages include data collection, preprocessing, manual sentiment labeling, feature extraction using TF-IDF method, SVM model training, and model performance evaluation. Based on the classification results of 197 test data, the SVM model successfully classified 182 data as negative sentiment and two data as positive sentiment correctly. However, there are 13 data classified incorrectly, namely two negative data classified as positive and 11 positive data classified as negative. The performance evaluation of the model shows an accuracy rate of 93% and a ROC AUC value of 74%, which indicates that the model has good performance in general.

ARABIC:

سياسة زيادة الرسوم الدراسية الموحدة (UKT)في الجامعات الحكومية أثارت ردود فعل متنوعة من المجتمع، خاصة على وسائل التواصل الاجتماعي. تهدفت هذه الدراسة إلى تصنيف الرأي العام تجاه هذه السياسة باستخدام طريقة آلة الدعم المتجه ( . (SVMتم الحصول على البيانات المستخدمة من منصة X وتشمل تغريدات تحتوي على آراء عامة بشأن زيادة الرسوم الدراسية الموحدة. تشملت مراحل البحث جمع البيانات، والمعالجة المسبقة، وتصنيف المشاعر يدويًا، واستخراج الميزات باستخدام طريقة TF-IDF، وتدريب نموذج SVM، وتقييم أداء النموذج. استنادًا إلى نتائج تصنيف ١٩٧ بيانات اختبار، نجح نموذج SVM في تصنيف ١٨٢ بيانات على أنها مشاعر سلبية و ۲بيانات على أنها مشاعر إيجابية بشكل دقيق. ومع ذلك، هناك ١٣ بيانات تم تصنيفها بشكل خاطئ، وهي ۲ بيانات سلبية تم تصنيفها على أنها إيجابية و۱۱ بيانات إيجابية تم تصنيفها على أنها سلبية. أظهر تقييم أداء النموذج دقة بنسبة ٩٣٪ وقيمة ROC AUC بنسبة ٧٤٪، مما يشير إلى أن النموذج يتمتع بأداء جيد بشكل عام.