Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
November, 2025.
Pp.
Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia Shafa Nadhifah .
Aslam Fatkhudin *.
Fenilinas Adi Artanto .
Sarjana Informatika.
Fakultas Teknik dan Ilmu Komputer.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Sarjana Informatika.
Fakultas Teknik dan Ilmu Komputer.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Sarjana Informatika.
Fakultas Teknik dan Ilmu Komputer.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Article Info Kata Kunci: Media sosial.
Sentimen.
SVM.
Telemedicine.
Text Mining Keywords: Social media.
Sentiment.
Support Vector Machine.
Telemedicine.
Text Mining Article history:
Received: 28 Agustus 2025 Revised: 01 Sepptember 2025 Accepted: 04 September 2025 Available online: 01 November 2025 DOI :
48144/suryainformatika.
* Corresponding author.
Aslam Fatkhudin E-mail address:
fathudin@gmail.
ABSTRAK
Telemedicine di Indonesia telah berkembang sejak diperkenalkan pada tahun 2012, namun masih menghadapi tantangan terkait pemahaman teknologi dan keterbatasan akses di daerah terpencil.
Mengingat pentingnya telemedicine dalam meningkatkan akses layanan kesehatan, pemahaman terhadap persepsi publik menjadi krusial untuk mengevaluasi penerimaan dan kendala yang dihadapi.
Analisis sentimen dapat membantu mengidentifikasi opini masyarakat terhadap layanan ini, baik dari segi manfaat maupun hambatan yang Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap layanan telemedicine menggunakan data dari media sosial X.
Data dikumpulkan melalui teknik scraping dengan kata kunci "Telemedicine" dan dianalisis menggunakan algoritma Support Vector Machine (SVM).
Hasil penelitian menunjukkan bahwa dari 525 tweet yang dianalisis, 468 tweet memiliki sentimen positif, 48 tweet negatif, dan 9 tweet netral.
Model SVM menunjukkan tingkat akurasi sebesar 84%, dengan precision 28%, recall 33%, dan F1-score 30%.
ABSTRACT
Telemedicine in Indonesia has grown since its introduction in 2012, but it still faces challenges related to technological understanding and limited access in remote areas.
Given the importance of telemedicine in improving access to health services, understanding public perception is crucial to evaluating acceptance and the obstacles faced.
Sentiment analysis can help identify public opinion about this service, both in terms of benefits and obstacles experienced.
This study aims to analyze public sentiment towards telemedicine services using data from social media X.
Data was collected through scraping techniques with the keyword AuTelemedicineAy and analyzed using the Support Vector Machine (SVM) algorithm.
The results showed that of the 525 tweets analyzed, 468 had positive sentiment, 48 were negative, and 9 were neutral.
The SVM model showed an accuracy rate of 84%, with a precision of 28%, recall of 33%, and F1-score of 30%.
PENDAHULUAN
Perkembangan teknologi informasi dan komunikasi telah membawa perubahan signifikan dalam berbagai sektor, termasuk bidang kesehatan.
Salah satu inovasi yang muncul dari perkembangan ini adalah telemedicine, yaitu layanan kesehatan jarak jauh yang memungkinkan pasien untuk berkonsultasi dengan tenaga medis tanpa harus datang ke fasilitas kesehatan.
World Health Organization .
mendefinisikan telemedicine sebagai Aumenyembuhkan dari jarak jauhAy dengan memanfaatkan teknologi komunikasi untuk meningkatkan akses pasien terhadap layanan Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
November, 2025.
Pp.
Di Indonesia, telemedicine mulai dikem- klasifikasi sentimen.
Keunggulan utama dari SVM bangkan sejak tahun 2012 oleh Kementerian Kesehatan adalah kemampuannya dalam menangani data bermelalui program Telemedicine Indonesia (TEMENIN) dimensi tinggi serta menghasilkan klasifikasi yang .
Namun, penerapannya masih menghadapi berbagai akurat bahkan dengan jumlah data yang terbatas .
kendala, seperti keterbatasan infrastruktur internet, ren- Berdasarkan penelitian sebelumnya.
SVM memiliki dahnya literasi digital, serta belum adanya regulasi yang keunggulan dibandingkan metode lain seperti Nayve matang terkait layanan kesehatan berbasis digital.
Pada Bayes (NB).
Studi yang membandingkan kedua algotahun 2017, pemanfaatan telemedicine di Indonesia ritma menunjukkan bahwa SVM memiliki tingkat mengalami hambatan akibat rendahnya pemahaman akurasi 92,91%, lebih tinggi dibandingkan NB yang masyarakat terhadap teknologi dan kurangnya kesadaran hanya mencapai 85,93% .
Selain itu, penelitian oleh akan manfaat layanan ini .
menemukan bahwa kernel linear pada SVM memiliki performa terbaik dalam klasifikasi sentimen Telemedicine menjadi solusi utama dalam bidang dengan akurasi mencapai 81%, precision 82%, dan rekesehatan di era digital selama pandemi covid-19, ketika call 81%.
Oleh karena itu, dalam penelitian ini akses masyarakat terhadap layanan kesehatan konven- digunakan algoritma SVM dengan kernel linear untuk sional menjadi terbatas akibat pembatasan sosial dan mengklasifikasikan sentimen data dari media sosial X risiko penularan penyakit.
Layanan ini memungkinkan terkait layanan telemedicine.
pasien untuk tetap mendapatkan konsultasi medis tanpa harus mengunjungi rumah sakit atau klinik secara lang- Untuk meningkatkan akurasi klasifikasi, penelitian ini Menurut .
, jumlah pengguna telemedicine di In- juga menerapkan metode Term Frequency - Inverse donesia meningkat sebesar 41% selama pandemi.
Document Frequency (TF-IDF) dalam proses ekstraksi menunjukkan bahwa telemedicine memiliki potensi be- fitur.
TF-IDF merupakan teknik pembobotan kata dasar dalam meningkatkan akses layanan kesehatan bagi lam dokumen yang membantu algoritma Machine Namun, meskipun memiliki manfaat yang Learning dalam memahami kata-kata yang memiliki signifikan, telemedicine masih menghadapi tantangan, signifikansi lebih tinggi dalam analisis teks.
Dengan terutama dalam hal penerimaan masyarakat.
Beberapa menerapkan TF-IDF, model SVM dapat mengklasififaktor yang menjadi penghambat utama adalah keraguan kasikan data dengan lebih akurat, karena kata-kata terhadap efektivitas konsultasi jarak jauh, kekhawatiran yang lebih relevan akan memiliki bobot lebih tinggi daterhadap keamanan data pasien, serta kurangnya in- lam analisis sentimen.
teraksi langsung antara dokter dan pasien.
Oleh karena itu, diperlukan pendekatan berbasis data untuk me- Penelitian ini bertujuan untuk menganalisis opini mahami persepsi masyarakat terhadap telemedicine dan masyarakat terhadap layanan telemedicine di Indonesia faktor-faktor yang memengaruhi penerimaannya .
dengan menggunakan data dari media sosial X.
Selain itu, penelitian ini juga mengevaluasi kinerja model Di era digital, media sosial menjadi platform utama bagi SVM dalam mengklasifikasikan sentimen, serta memmasyarakat untuk berbagi pengalaman dan opini tentang berikan rekomendasi berbasis data untuk meningkatberbagai topik, termasuk layanan kesehatan.
Media so- kan adopsi dan efektivitas layanan telemedicine di Insial X merupakan salah satu platform yang banyak donesia.
Dengan memahami opini masyarakat secara digunakan untuk mendiskusikan inovasi dalam bidang lebih mendalam melalui analisis sentimen, penelitian kesehatan, termasuk telemedicine.
Dengan banyaknya ini diharapkan dapat memberikan wawasan yang dapat diskusi dan opini yang tersedia di media sosial X, ana- digunakan oleh penyedia layanan telemedicine, lisis sentimen dapat digunakan untuk menganalisis per- pemerintah, serta tenaga kesehatan untuk meningkatsepsi masyarakat secara luas dan real-time.
Analisis sen- kan kualitas dan penerimaan layanan kesehatan bertimen atau opinion mining bertujuan untuk mengidenti- basis digital di Indonesia fikasi dan mengklasifikasikan opini seseorang terhadap suatu objek berdasarkan teks yang ditulisnya .
Dalam 2.
METODE PENELITIAN
penelitian ini, analisis sentimen digunakan untuk mePenelitian ini menggunakan pendekatan kuantitatif mahami bagaimana masyarakat merespon layanan teleyang bertujuan untuk menganalisis data melalui medicine melalui opini yang mereka bagikan di media pengumpulan, mengolah, dan menilai data numerik sosial X.
Sentimen dalam teks dapat diklasifikasikan ke secara objektif.
Pendekatan kuantitatif dipilih karena dalam tiga kategori utama, yaitu positif, negatif, dan nepenelitian ini berfokus pada klasifikasi sentimen masyarakat terhadap telemedicine berdasarkan data media sosial Media social X.
Proses penelitian Dalam melakukan klasifikasi sentimen, penelitian ini menggunakan teknik scraping untuk mengumpulkan menggunakan pendekatan Machine Learning dengan aldata teks dari Media sosial X, yang kemudian diolah goritma Support Vector Machine.
SVM adalah salah menggunakan algoritma Support Vector Machine satu algoritma klasifikasi yang dikenal memiliki per(SVM).
Untuk mengubah data teks mentah menjadi forma tinggi dalam analisis teks, terutama dalam format yang siap untuk analisis, teknik Text Mining Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
November, 2025.
Pp.
juga digunakan dalam penelitian ini.
Berkat penggunaan preprocessing data yang meliputi case folding, cleankata kunci seperti Telemedicine di media sosial X, se- ing, normalisasi, tokenizing, stopword removal, stemhingga hasil analisis benar mencerminkan pendapat pub- ming, dan visualisasi data.
Setelah preprocessing, bolik.
Selanjutnya, model dievaluasi dengan menggunakan bot kata dihitung menggunakan metode TF-IDF sematrik seperti akurasi, ketepatan, recall, dan F1-score bagai input untuk klasifikasi sentimen menggunakan untuk menilai kinerja algoritma secara objektif dan Support Vector Machine (SVM).
Hasil klasifikasi SVM kemudian dianalisis untuk memahami opini publik terkait topik penelitian.
Penelitian diakhiri dengan 1 Kerangka Penelitian evaluasi hasil analisis dan penarikan kesimpulan.
Penelitian ini melakukan analisis data mendeskripsikan 2 Pengumpulan Data (Crawling Dat.
tentang data yang digunakan untuk menganalisis sentimen opini masyarakat di Media sosial X.
penelitian ini Penelitian ini mengumpulkan data dari media sosial X menggunakan metode SVM, penelitian ini termasuk da- menggunakan perangkat lunak Tweet Harvest untuk lam penelitian text mining karena proses crawling data menganalisis opini publik tentang telemedicine.
Proses untuk mendapatkan data yang dapat digunakan untuk crawling dilakukan dengan memanfaatkan fitur cookmenganalisis sentimen.
Berikut adalah kerangka ies untuk mengakses dan mengumpulkan tweet yang mengandung kata "Telemedicine" dalam rentang waktu 1 Januari 2018 hingga 15 Desember 2024.
Setiap tweet yang diambil mencakup informasi seperti tanggal, isi teks, dan username pengirim, lalu disimpan dalam format CSV.
Data yang terkumpul kemudian disaring untuk memastikan relevansi sebelum memasuki tahap preprocessing, yaitu pembersihan elemen tidak relevan.
Proses pengumpulan data ini bertujuan untuk mendapatkan wawasan komprensif mengenai sentimen masyarakat terhadap layanan telemedicine.
3 Preprocessing Pada tahap preprocessing ini, data mentah yang telah terkumpul akan diolah menjadi data yang dapat digunakan pada tahap selanjutnya.
Tahap preprocessing terdiri dari 6 proses yaitu:
Gambar 1.
Alur Penelitian Pada Gambar 1 Alur Penelitian menunjukkan bahwa penelitian ini diawali dengan pengumpulan data opini publik dari media sosial X menggunakan crawling data tweet dengan library Tweet Harvest dengan kata kunci Telemedicine.
Data yang dikumpulkan dimuat ke dalam dataset dan dilabeli menggunakan metode berbasis lexicon untuk menentukan sentimen .
ositif, negatif, atau Lexicon yang digunakan adalah domain-specific lexicon, sehingga Tingkat kepercayaan hasil pelabelan otomatisnya tinggi.
Lexicon digunakan karena dapat memproses jutaan data dengan cepat.
Jika menggunakan pelabelan manual, proses ini akan memakan waktu yang sangat lama, tidak efisien, dan mahal, selain itu dengan menggunakan Lexicon dapat memastikan konsistensi dalam proses pelabelan.
Tidak seperti manusia yang bisa memiliki bias atau perbedaan interpretasi, algoritma berbasis leksikon akan selalu melabeli kata yang sama dengan skor yang sama.
Selanjutnya, dilakukan Case Folding, merupakan proses untuk mengubah semua huruf yang ada pada dokumen menjadi huruf Cleaning, merupakan proses untuk menghilangkan atribut yang tidak berpengaruh terhadap klasifikasi yaitu tanda baca, karakter kosong, dan emoji.
Normalization, merupakan proses untuk memperbaiki kesalahan yang ada pada kata seperti ejaan yang salah agar kata yang memiliki makna sama menjadi setara.
Tokenizing, merupakan proses untuk memisahkan kalimat menjadi beberapa bagian kata.
Stopword Removal, merupakan proses untuk menghilangkan katakata yang dianggap tidak berpengaruh terhadap kalimat.
Stemming, merupakan proses untuk mengubah kata-kata yang ada menjadi bentuk kata dasar.
4 Ekstrasi Fitur Proses mengubah data yang telah diproses menjadi representasi numerik agar dapat dipahami oleh algoritma Tahapan ini mencakup preprocessing, feature selection, dan feature transformation untuk menentukan atribut yang paling relevan.
Dalam penelitian ini, metode TF-IDF digunakan untuk Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
November, 2025.
Pp.
mendeskripsikan kata-kata dalam tweet tentang telemedicine.
Hasil akhirnya adalah sekumpulan fitur yang mencerminkan pola data dan siap digunakan dalam analisis lebih lanjut.
5 Klasifikasi Support Vector Machine (SVM) Klasifikasi dalam penelitian ini menggunakan algoritma Support Vector Machine (SVM) untuk mengkategorikan sentimen terhadap telemedicine menjadi positif, negatif, dan netral.
SVM dipilih karena kemampuannya menangani data besar dan menghasilkan klasifikasi yang Prosesnya mencakup pelatihan model, penggunaan kernel linear untuk pemetaan data, serta optimasi margin agar model dapat digeneralisasi dengan Setelah pelatihan, data uji digunakan untuk mengukur akurasi dan dianalisis pada tahap evaluasi.
6 Evaluasi Model Tahap evaluasi akan menggunakan confusion matrix untuk mengetahui performansi dari setiap algoritma SVM dengan hasil evaluasi berupa nilai accuracy, precision, recall, dan f1-score.
HASIL DAN PEMBAHASAN
Gambar 2.
Crawling Data Preprocessing Pada tahap ini dilakukan untuk mengubah data agar sesuai dan dapat diolah pada tahapan selanjutnya.
Contoh hasil dari 6 proses pada tahap preprocessing yang telah dilakukan dapat dilihat pada table 1 Tabel 1.
Preprocessing Proses Data Ulasan Crawling Data Penelitian ini mengumpulkan 525 komentar tentang layanan telemedicine di Indonesia dari media sosial X menggunakan metode scraping dengan Tweet Harvest Google Colaboratory .
ttps://colab.
com/drive/1-HrziXJ43VwMRIY5KbuPTd-xRdhoA#scrollTo=i9GI_skUDbD.
Data yang diperoleh diklasifikasikan ke dalam tiga kategori sentimen, yaitu positif, negatif, dan netral, menggunakan metode modified lexicon.
Selanjutnya, data dianalisis menggunakan algoritma Support Vector Machine (SVM) untuk mengukur akurasi, precision, recall, dan F1-score.
Proses pengambilan data dimulai dengan instalasi Tweet Harvest, impor dependensi, dan autentikasi menggunakan X Auth Token.
Setelah itu, dilakukan scraping data berdasarkan kata kunci "Telemedicine", dengan cakupan waktu mulai 1 Januari 2018 hingga 15 Desember 2024.
Hasil scraping kemudian disimpan dalam format CSV untuk mempermudah analisis lebih Python dipilih dalam penelitian ini karena memiliki dukungan luas untuk analisis data dan pemrosesan Gambar 2 merupakan proses crawling data Case Folding Cleaning Normalisasi Tokenizing Hasil Telemedicine sedang berkembang pesat terutama di daerah terpencil! Bagaimana membantu pasien tanpa harus bepergian jauh? Temukan lebih lanjut di artikel terbaru IJHA:
https://t.
co/e044TN0RxO https://t.
co/0BlgfKgmu5 IJHA #Telemedicine #eHealth https://t.
co/3xVTRSEhdg telemedicine sedang berkembang pesat terutama di daerah terpencil! bagaimana teknologi ini membantu pasien tanpa harus bepergian jauh? temukan lebih lanjut di artikel https://t.
co/e044tn0rxo https://t.
co/0blgfkgmu5 #telemedicine #ehealth https://t.
co/3xvtrsehdg telemedicine sedang berkembang pesat terutama di daerah terpencil bagaimana teknologi ini membantu pasien tanpa harus bepergian jauh temukan lebih lanjut di artikel terbaru ijha dan ijha telemedicine sedang berkembang pesat terutama di daerah terpencil bagaimana teknologi ini membantu pasien tanpa harus bepergian jauh temukan lebih lanjut di artikel terbaru ijha dan ijha ['telemedicine', 'sedang', 'berkembang', 'pesat', 'terutama', 'di', 'daerah', 'terpencil'.
Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
November, 2025.
Pp.
Tabel 4.
Evaluasi 'bagaimana', 'teknologi', 'ini', 'membantu', 'pasien', 'tanpa'.
SkeKer- Akurasi PreReF1 'harus', 'bepergian', 'jauh'.
Score 'temukan', 'lebih', 'lanjut', 'di', 'artikel', 'terbaru', 'ijha', 'dan', 'ijha'] 80:20 Lin84% Stopwords telemedicine berkembang pesat Removal Tabel 4 menunjukkan bahwa hasil evaluasi terbaik dimembantu peroleh pada skenario 1 dengan menggunakan kernel temukan artikel terbaru ijha ijha Linear yang menghasilkan akurasi sebesar 84% Stemming artinya nilai positifnya tinggi, precision 28% artinya daerah pencil teknologi bantu nilai precision positifnya rendah, recall 33% artinya pasien pergi temu artikel baru ijha nilai recall positifnya rendah, dan f1-score 30% artinya performanya tidak konsisten.
Kata-kata yang sering muncul pada data ulasan divisualisasikan dalam ben3.
Pembobotan TF-IDF tuk word cloud.
Gambar 3 menunjukkan hasil visuSetelah preprocessing, data tweet masih berupa teks dan alisasi ulasan positif, sedangkan Gambar 4 menunjukperlu dikonversi ke bentuk numerik menggunakan TF- kan hasil visualisasi ulasan negatif, dan Gambar 5 IDF untuk pembobotan kata.
Proses ini menampilkan menunjukkan hasil visualisasi ulasan netral term dengan bobot terbesar, dengan hasil pembobotan yang ditampilkan dalam Tabel 2 Tabel 2.
Pembobotan TF-IDF
Word
IDF
Gambar 3.
WordCloud Positif Klasifikasi Data dengan Support Vector Machine Pada tahap ini klasifikasi dilakukan dengan menggunakan kernel linear.
Data yang telah diklasifikasikan akan dibagi menjadi data training dan data testing untuk memastikan performa model yang optimal pada tabel 3 Gambar 4.
WordCloud Negatif Tabel 3.
Data Latih dan Data Uji Skenario Rasio Perbandingan 80 : 20 Data Training Data Testing Evaluation Tahap ini dilakukan evaluasi dengan confusion matrix.
Tabel 4 memaparkan hasil perbandingan dari seluruh evaluasi menggunakan confusion matrix terhadap setiap skenario dari tahap data mining dengan 4 kernel algoritma Support Vector Machine Gambar 5.
WordCloud Netral Berdasarkan gambar 3, 4, dan 5, kata-kata yang sering muncul pada ulasan positif yaitu AulayananAy.
Penerapan SVM Sebagai Algoritma Machine Learning Dalam Analisis Sentimen Terhadap Telemedicine di Indonesia Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
November, 2025.
Pp.
AutelemedicineAy, dan AusehatAy, sedangkan pada ulasan 2023, doi: 10.
31596/jcu.
negatif yaitu AupasienAy.
AucovidAy, dan AusakitAy, dan untuk ulasan netral terdapat kata AuaplikasiAy.
AuonlineAy.
Aukon- .
Ulfa.
AuAnalisis Sentimen Terhadap sultasiAy.
Layanan Telemedicine Menggunakan Metode Support Vector Machine (SVM),Ay Universitas KESIMPULAN Malikussaleh, 2022.
Berdasarkan hasil penelitian, dari 525 data tweet yang dikumpulkan dari media sosial X, sentimen positif ber- .
Fahmi.
Nur.
Canawine.
jumlah 468 data, negatif sebanyak 48 data, dan netral Kusumajaya.
Fadhlillah, and N.
sebanyak 9 data, berdasarkan labeling Modified LexiRakhmawati.
AuAnalisis Sentimen Masyarakat Klasifikasi menggunakan Support Vector Machine Terhadap Uu Perlindungan Data Pribadi Pada (SVM) dengan kernel linear menunjukkan tingkat Media Sosial Twitter Menggunakan Metode akurasi 84%, precision 28%, recall 33%, dan F1-score Support Vector Machine,Ay Method.
Tek.
30%, meskipun akurasi cukup tinggi, kemampuan memInform.
dan Sist.
Inf.
, vol.
10, no.
1, pp.
6Ae10, bedakan sentimen negatif dan netral masih perlu diting2024, doi: 10.
46880/mtk.
Hasil analisis sentimen dan visualisasi data menunjukkan kata yang dominan dalam sentimen positif .
Pane.
Owen, and C.
Prianto, adalah AulayananAy.
AutelemedicineAy, dan AusehatAy, seAuAnalisis Sentimen UU Omnibus Law pada dangkan dalam sentimen negatif terdapat kata AupasienAy.
Twitter Menggunakan Metode Support Vector AucovidAy, dan AusakitAy, serta dalam sentimen netral Machine,Ay J.
Telekomun.
dan Komput.
, vol.
ditemukan kata AuaplikasiAy.
AuonlineAy, dan AukonsultasiAy.
11, no.
2, p.
130, 2021, doi:
Hal ini mengindikasikan bahwa masyarakat merespons 22441/incomtech.
positif terhadap kemudahan akses telemedicine, tetapi masih terdapat keluhan terkait masalah teknis dan efek- .
Rosdiana.
Ula, and H.
Aidilof, tivitas layanan.
Penelitian ini memiliki kendala, seperti AuImplementasi Pemodelan Citra Model Svm keterbatasan dataset, yang memengaruhi akurasi dalam (Support Vector Machin.
Dalam Penentuan membedakan sentimen.
Selain itu, penggunaan bahasa Pengklasifikasian Jenis Suara Kontes tidak baku dalam beberapa tweet juga mempengaruhi Burung,Ay J.
Inform.
Kaputama, vol.
5, no.
hasil klasifikasi karena keterbatasan kamus dalam Modpp.
317Ae324, 2021, doi:
ified Lexicon yang digunakan 59697/jik.
REFERENSI