Pengaruh Pre-Processing Terhadap Analisis Sentimen Pada Media Sosial Twitter Dengan Perbaikan Kata Tidak Baku Dan Typo Correction (Studi Kasus : Ppkm Nataru)

Pada masa pandemi Covid-19, Twitter menjadi tempat masyarakat untuk beropini mengenai kebijakan-kebijakan yang dikeluarkan oleh pemerintah seperti pemberlakuan pembatasan kegiatan masyarakat (PPKM) Nataru. Dalam mengeluarkan opini di Twitter, banyak digunakan kata yang tidak baku dan kesalahan pada ejaan atau typo. Adanya kata tidak baku dalam analisis sentiment tersebut akan diperbaiki dengan perbaikan kata tidak baku dan typo correction. Penelitian ini bertujuan untuk mengukur pengaruh preprocessing perbaikan kata tidak baku dan typo correction terhadap tingkat akurasi dalam melakukan analisis sentimen pada media sosial Twitter. Penelitian ini menggunakan support vector machine sebagai algoritma klasifikasi dengan kernel linear. Perbaikan kata tidak baku dilakukan dengan menggunakan word normalization dan typo correction dengan algoritma levenshtein distance. Data yang digunakan adalah sebanyak 800 data K-fold sebesar 10. Berdasarkan hasil pengujian yang dilakukan dengan menggunakan k-fold cross validation dan confusion matrix terhadap data uji mendapatkan hasil akurasi yang berbeda-beda sesuai dengan alur preprocessing yang digunakan. Akurasi yang terbaik didapatkan dari kombinasi preprocessing tanpa perbaikan kata tidak baku dan typo correction sebesar 93%. Berdasarkan hasil pengujiannya perbaikan kata tidak baku dan typo-correction tidak menghasilkan akurasi yang lebih baik dibandingkan pengujian lainnya. Dari pengujian yang telah dilakukan dapat disimpulkan bahwa perbaikan kata tidak baku dan typo correction tidak memberikan pengaruh baik terhadap akurasi dalam pengklasifikasian analisis sentiment dalam penelitian ini.