Analisis Sentimen Mengenai Subsidi Mobil Listrik Menggunakan Support Vector Machine Berbasis Information Gain

Abstract

Penggunaan mobil listrik di Indonesia terus meningkat, dengan persentase vi pencapaian sebanyak 7.679 unit pada tahun 2022 dari 229 unit pada tahun 2020. Kelebihan penggunaan kendaraan listrik termasuk hemat energi, rendahnya tingkat kebisingan, dan pencemaran lingkungan. Selain itu, bahan yang digunakan untuk kendaraan listrik dapat berasal dari berbagai sumber energi alternatif, mudah dirawat, dan dapat dipulihkan kembali. Karena menggunakan hanya baterai, mobil listrik menghemat lebih banyak uang daripada kendaraan berbahan bakar fosil biasa. Ada beberapa orang yang berpendapat bahwa penggunaan mobil listrik dapat mengatasi kekurangan minyak gas, tetapi ada beberapa orang lain yang berpendapat bahwa penggunaan mobil listrik membutuhkan perencanaan yang lebih matang, terutama dalam hal biaya operasional, ketersediaan infrastruktur, dan kinerja atau kecepatan. Hal ini mendorong pemerintah untuk membuat kebijakan yang mengatur insentif untuk mobil listrik, seperti yang tercantum dalam Perpres No. 55 Tahun 2019 tentang Percepatan Program Berbasis Baterai untuk Transportasi Jalan. Tujuan penelitian ini adalah untuk mempelajari sentimen masyarakat tentang penerapan subsidi mobil listrik secara yang diambil dari data komentar youtube. Dalam analisis sentimen ini, menggunakan metode svm berbasis Information Gain dipilih karena svm dapat digunakan dalam menangani pemisah data yang kompleks, terutama saat membedakan antara kelas sentimen yang berdekatan. SVM memungkinkan pembentukan batas keputusan yang optimal untuk mengklasifikasikan sentimen sedangkan Information Gain dipilih karena untuk memilih fitur yang paling informatif atau yang memberikan penurunan entropi tertinggi yang dapat menaikan performa dari analisis sentimen. Hasil penelitian menunjukkan bahwa penggunaan metode SVM berbasis Information Gain memiliki akurasi yang tinggi; SVM split data 20/80% memperoleh 0,78%, svm split data 10/90% memperoleh 0,79%, dan Information Gain dengan split data 20/80% memperoleh 0,78%, dan Information Gain dengan split data 10/90% memperoleh 0,80%.