Jurnal CoreIT, Vol.6, No.2, Desember 2020 ISSN 2460-738X (Print) ISSN 2599-3321 (Online) 71 Analisis Sentimen Penghapusan Ujian Nasional pada Twitter Menggunakan Support Vector Machine dan Naïve Bayes berbasis Particle Swarm Optimization Yuris Alkhalifi 1 , Windu Gata 2, Arfhan Prasetyo 3 , Imam Budiawan 4 1,2 llmu Komputer, STMIK Nusa Mandiri Jakarta 3 Sistem Informasi Akuntansi, Universitas Bina Sarana Informatika Kampus Bogor 4 Sistem Informasi, STMIK Nusa Mandiri Jakarta 1,2,4 Jl. Kramat Raya No.18, RT.5/RW.7, Kwitang, Kec. Senen, Kota Jakarta Pusat, Daerah Khusus Ibukota Jakarta 10420 3 Jl. Raya Cilebut No.3a, RT.01/RW.04, RT01 RW04, Kec. Tanah Sereal, Kota Bogor, Jawa Barat 16165 14002360@nusamandiri.ac.id 1 , windu@nusamandiri.ac.id 2 , arfhan.afp.prasetyo@gmail.com 3 , imam121281@gmail.com 4 Abstrak – Twitter merupakan sebuah platform media sosial yang sering digunakan oleh pengguna di Indonesia. Dalam penggunaannya twitter digunakan sebagai platform yang membahas tentang opini publik, hiburan dan trending topik didunia salah satu perbincangan pada awal tahun 2020 yakni dihapusnya Ujian Nasional (UN) oleh Kementerian Pendidikan dan Kebudayaan Republik Indonesia (Mendikbud RI). Opini dan Sentimen pengguna di twitter pun sangat beragam, ada yang termasuk kedalam sentimen positif dan ada juga sentimen negatif. Untuk memilah mana yang termasuk kedalam sentimen positif dan negatif diperlukan sebuah rangkaian proses, salah satu proses yang dapat digunakan yakni data mining. Pada penelitian ini akan membahas tentang sentimen pengguna twitter dalam kasus penghapusan UN dengan menggunakan algoritma Support Vector Machine (SVM) dan Naïve Bayes (NB) berbasis Particle Swarm Optimization (PSO). Dalam 2 algoritma tersebut akan dibagi masing-masing kedalam 2 proses yakni menggunakan PSO dan tidak menggunakan PSO sehingga mempunyai 4 metode. Pengujian dilakukan menggunakan k-Fold Cross Validation untuk diperoleh nilai akurasi ( accuracy ), tabel Confusion Matrix dan Area Under Curve. Hasil pengujian diperoleh nilai akurasi 92,92% dan AUC sebesar 0,977 untuk SVM tanpa PSO. Lalu nilai akurasi 94,81% dan AUC sebesar 0,974 untuk SVM dengan PSO. Nilai akurasi 85,93% dan AUC sebesar 0,645 untuk NB tanpa PSO. Serta nilai akurasi 86,92% dan AUC sebesar 0,715 untuk NB dengan PSO. Dalam penelitian ini metode SVM dengan PSO yang paling baik untuk mengklasifikasikan sentimen positif dan negatif terkait penghapusan UN. Kata Kunci – Analis Sentimen Twitter, Support Vector Machine, Naïve Bayes, Particle Swarm Optimization, Penghapusan UN PENDAHULUAN Perkembangan teknologi saat ini sangat berkembang pesat, salah satunya perkembangan internet. Perkembangan Internet yang begitu cepat telah mengubah banyak aspek dalam proses komunikasi data komputer. Dengan hadirnya internet semakin banyaknya platform-platform yang bisa kita jumpai termasuk platform media sosial. Media sosial berasal dari kata media dan sosial. Media merupakan alat atau sarana komunikasi seperti koran, radio, televisi, film, poster dan spanduk[1]. Sedangkan sosial merupakan berkenaan dengan masyarakat, memperhatikan kepentingan umum (suka menolong, menderma dan sebagainya)[2]. Menurut Mandibergh berpendapat bahwa media sosial adalah media yang mewadahi kerjasama diantara pengguna yang menghasilkan konten (user generated content)[3]. Salah satu platform media sosial yang populer khususnya di Indonesia yakni Twitter. Twitter merupakan salah satu media sosial yang didirikan oleh Jack Dorsey yang memungkinkan penggunanya mengirim dan membaca pesan yang dikenal dengan sebutan kicauan (tweet)[4]. Dalam penggunaannya twitter rata-rata diakses oleh pengguna di Indonesia mencapai 59% dan menjadikannya menduduki peringkat ke-5 media sosial yang sering digunakan di Indonesia pada tahun 2020[5]. Hal tersebut menandakan bahwa twitter merupakan salah satu media sosial yang cukup berpengaruh untuk para pengguna di Indonesia. Twitter menjadi platform media sosial yang banyak membahas tentang opini publik, hiburan dan yang paling terkenal adalah tentang isu trending topik yang sedang terjadi didunia. Salah