Metode Pembobotan TF-IDF untuk Klasifikasi Teks Quick Count Pemilihan Wakil Presiden Indonesia 2024 pada X Twitter dengan Metode SVM

Abstract

Quick Count dalam Pemilihan Wakil Presiden Indonesia 2024 memicu beragam respons masyarakat di media sosial X Twitter. Banyaknya jumlah dan variasi opini yang diekspresikan menimbulkan kesulitan dalam mengidentifikasi dan mengklasifikasikan sentimen secara akurat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi teks menggunakan Support Vector Machine (SVM) untuk mengidentifikasi sentimen dalam tweet terkait Quick Count pemilu. Data diperoleh melalui proses pengumpulan tweet, diikuti oleh pre-processing, pembobotan kata dengan TF-IDF, dan pembagian data untuk pelatihan dan pengujian model. Hasil penelitian menunjukkan bahwa model SVM yang dikembangkan mampu mencapai akurasi sebesar 77.30% dalam klasifikasi sentimen tweet. Implementasi model ini diharapkan dapat membantu dalam penyaringan informasi yang lebih efektif dan mendukung pemangku kepentingan dalam memahami opini publik secara lebih akurat.