Klasifikasi Sentimen Tweet Terkait Isu Resesi Tahun 2023 Pada Twitter Menggunakan Algoritma Support Vector Machine

Latar Belakang: Resesi adalah penurunan kegiatan ekonomi yang berlangsung lama, dapat berlangsung berbulan-bulan bahkan bertahun-tahun. Resesi dapat dipicu beberapa faktor seperti adanya wabah dan perang. Isu resesi ini kian merebak
saat Indonesia diprediksi akan mengalami resesi pada tahun 2023, hal inilah yang menimbulkan banyak pro dan kontra antara siap dan tidak siap dalam menghadapi isu tersebut pada media sosial Twitter.
Tujuan: Penelitian ini bertujuan untuk mengklasifikasikan sentimen mengenai isu resesi tahun 2023.
Metode Penelitian: Penelitian ini mengklasifikasikan sentimen mengenai isu resesi tahun 2023 dari Twitter menggunakan algoritma Support Vector Machine (SVM).
Hasil: Penelitian ini menggunakan algoritma SVM untuk mengklasifikasikan sentimen mengenai isu resesi tahun 2023 di platform media sosial Twitter. Data untuk penelitian ini diambil menggunakan library Snscrape, yang mencakup periode dari 1 September 2022 hingga 31 Januari 2023. Jumlah total data tweet yang terkumpul adalah sebanyak 25.257. Data yang diambil menggunakan keyword Resesi. Data training yang digunakan dalam penelitian ini dibuat melalui pelabelan
otomatis dan manual, dengan sebanyak 800 data dengan rincian 400 data tweet dilabeli siap 400 data tweet dilabeli tidak siap. Sedangkan untuk data testing terdiri dari 200 data tweet, dengan 100 data berlabel siap dan 100 data tweet berlabel tidak siap. Hasil dari penelitian ini menunjukkan bahwa nilai akurasi data training mencapai 82%, sementara nilai akurasi data testing mencapai 72%.
Kesimpulan: Penelitian klasifikasi sentimen mengenai isu resesi tahun 2023 ini menggunakan data sebanyak 25.257 data tweet yang diambil menggunakan library Sncscrape. Data yang digunakan untuk data training sebanyak 800 data, dengan rincian 400 data berlabel siap dan 400 data berlabel tidak siap. Sedangkan untuk data testing menggunakan 200 data, dengan rincian 200 data berlabel siap dan 200 data berlabel tidak siap. Menghasilkan data accuracy sebesar 82% untuk data training dan 72% untuk data testing.