Comparison of Support Vector Machine Kernel Performance In Sentiment Analysis of The Free Lunch Program
DOI:
https://doi.org/10.35145/gtv1sr05Keywords:
Sentiment Analysis, Support Vector Machine, Free Lunch, Social MediaAbstract
The Free Lunch Program is a government policy that has generated various opinions on social media, ranging from support to criticism regarding its implementation. This study aims to analyze public sentiment before and after the implementation of the Free Lunch Program using the Support Vector Machine (SVM) algorithm and to compare the performance of several kernels, namely Linear, Polynomial, RBF, and Sigmoid. The data were collected from the X (Twitter) platform and classified into three sentiment categories: positive, negative, and neutral. The experimental results show that the RBF kernel achieved the best performance, with an accuracy of 97.04% on pre-implementation data and 96.32% on post-implementation data. Moreover, the sentiment analysis results indicate that the proportion of negative sentiment increased after the program’s implementation, rising from 54.5% to 57.7%. These findings suggest that the RBF kernel is the most effective in classifying public opinions regarding the Free Lunch Program policy with a high level of accuracy, while also illustrating that public perception tends to be more critical after the program was implemented.
References
Ahmad, K. (2023). Tahapan Pra-pemrosesan Teks (Text Preprocessing). Journal of Mandalika Literature, 4(4), 323–332.
Ananda, F. D., & Pristyanto, Y. (2021). Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine. MATRIK?: Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 407–416. https://doi.org/10.30812/matrik.v20i2.1130
Anggraini, J., & Alita, D. (2024). Implementasi Metode SVM Pada Sentimen Analisis Terhadap Pemilihan Presiden (Pilpres) 2024 Di Twitter. Jurnal Informatika: Jurnal Pengembangan IT, 9(2), 102–111. https://doi.org/10.30591/jpit.v9i2.6560
Armadianti, W., Syeh, A., Lastono, B., Putra, F. R., Kamil, I., Ghozi, A., & Rakhmawati, N. A. (2024). Analisis Sentimen Netizen Terhadap Personal Branding Elon Musk Pada Platform X Dengan Pendekatan Analisis Support Vector Machine. Fountain of Informatics Journal, 9(1).
Asro’i Arief, & Februariyanti Herny. (2022). Analisis Sentimen Pengguna Twitter terhadap Perpanjangan PPKM Menggunakan Metode K-Nearest Neighbor. Jurnal Khatulistiwa Informatika, 10(1), 17–24.
Eldo, H., Ayuliana, A., Suryadi, D., Chrisnawati, G., & Judijanto, L. (2024). Penggunaan Algoritma Support Vector Machine (SVM) Untuk Deteksi Penipuan pada Transaksi Online. Jurnal Minfo Polgan, 13(2), 1627–1632. https://doi.org/10.33395/jmp.v13i2.14186
Eliza, F., Gistituati, N., Rusdinal, R., & Fadli, R. (2024). Analisis SWOT Kebijakan Makan Siang Gratis di Sekolah Menengah Kejuruan. Juwara Jurnal Wawasan Dan Aksara, 4(1), 121–129. https://doi.org/10.58740/juwara.v4i1.91
Erlin, Josef Sianturi, Alyauma Hajjah, & Agustin. (2021). Analisis Sentimen Prosesor AMD Ryzen menggunakan Metode Support Vector Machine. SATIN - Sains Dan Teknologi Informasi, 7(2), 129–141. https://doi.org/10.33372/stn.v7i2.804
Ernawati. (2024). Jurnal Pendidikan Islam Anak Usia Dini Al-Amin. Jurnal Pendidikan Islam Anak Usia Dini, 2(1), 30–37.
Feta, N. R. (2022). Komparasi Fungsi Kernel Metode Support Vector Machine Untuk Comparison of the Kernel Function of Support Vector Machine Method for Modeling Classification of. July 2019.
Gunawan, D. (2016). khazanah informatika Jurnal Ilmu Komputer dan Informatika Evaluasi Performa Pemecahan Database dengan Metode Klasifikasi pada Data Preprocessing Data Mining. Khazanah Informatika: Jurnal Ilmiah Komputer Dan Informatika, 1(1), 1–4.
Homepage, J., Ningsih, W., Alfianda, B., & Wulandari, D. (2024). MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison of Naive Bayes and SVM Algorithms in Twitter Sentiment Analysis on Electric Car Use in Indonesia Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada. 4(2), 556–562.
Ipmawati, J., Kusrini, & Taufiq Luthfi, E. (2017). 1444-1653-1-Sm. Indonesian Journal on Networking and Security, 6(1), 28–36.
Junaedi, Hendra Gunawan, A., Kuswanto, V., & Jonathan. (2024). Tinjauan Support Vector Machine dalam Text-Mining untuk Analisis Sentimen di Sektor Pariwisata. Bit-Tech, 7(2), 323–330. https://doi.org/10.32877/bt.v7i2.1810
Khairunnisa, S., Adiwijaya, A., & Faraby, S. Al. (2021). Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19). Jurnal Media Informatika Budidarma, 5(2), 406. https://doi.org/10.30865/mib.v5i2.2835
Kurniawan, I., Lia Hananto, A., Shofia Hilabi, S., Hananto, A., Priyatna, B., & Yuniar Rahman, A. (2023). Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter. Jurnal Teknik Informatika Dan Sistem Informasi, 10(1), 731–740. http://jurnal.mdp.ac.id
Lodhi, H., Saunders, C., Shawe-Taylor, J., Cristianini, N., & Watkins, C. (2002). Text Classification using String Kernels. Journal of Machine Learning Research, 2(3), 419–444. https://doi.org/10.1162/153244302760200687
Nurhidayat, R., & Dewi, K. E. (2023). KOMPUTA?: Jurnal Ilmiah Komputer dan Informatika PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DAN FITUR EKSTRAKSI N-GRAM DALAM ANALISIS SENTIMEN BERBASIS ASPEK. Komputa?: Jurnal Ilmiah Komputer Dan Informatika, 12(1), 91–100. https://www.kaggle.com/datasets/hafidahmusthaanah/skincare-review?select=00.+Review.csv.
Paramudita, F., Zulfa, M. I., & Taryana, A. (2024). Implementasi Devops Pada Pengembangan Aplikasi Android Pendeteksi Kualitas Beras Berbasis Machine Learning. Transmisi: Jurnal Ilmiah Teknik Elektro, 26(3), 105–113. https://doi.org/10.14710/transmisi.26.3.105-113
Pratiwi, N., & Setyawan, Y. (2021). Analisis Akurasi Dari Perbedaan Fungsi Kernel Dan Cost Pada Support Vector Machine Studi Kasus Klasifikasi Curah Hujan Di Jakarta. Journal of Fundamental Mathematics and Applications (JFMA), 4(2), 203–212. https://doi.org/10.14710/jfma.v4i2.11691
Rabbani, S., Safitri, D., Rahmadhani, N., Sani, A. A. F., & Anam, M. K. (2023). Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 153–160. https://doi.org/10.57152/malcom.v3i2.897
Susanto, L. A. (2023). Pemilihan Hyperparameter Pada Alexnet Cnn Untuk Klasifikasi Citra Penyakit Kedelai. Indexia, 5(02), 113. https://doi.org/10.30587/indexia.v5i02.5508
Ananda, F. D., & Pristyanto, Y. (2021). Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine. MATRIK?: Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 407–416. https://doi.org/10.30812/matrik.v20i2.1130
Anggraini, J., & Alita, D. (2024). Implementasi Metode SVM Pada Sentimen Analisis Terhadap Pemilihan Presiden (Pilpres) 2024 Di Twitter. Jurnal Informatika: Jurnal Pengembangan IT, 9(2), 102–111. https://doi.org/10.30591/jpit.v9i2.6560
Armadianti, W., Syeh, A., Lastono, B., Putra, F. R., Kamil, I., Ghozi, A., & Rakhmawati, N. A. (2024). Analisis Sentimen Netizen Terhadap Personal Branding Elon Musk Pada Platform X Dengan Pendekatan Analisis Support Vector Machine. Fountain of Informatics Journal, 9(1).
Asro’i Arief, & Februariyanti Herny. (2022). Analisis Sentimen Pengguna Twitter terhadap Perpanjangan PPKM Menggunakan Metode K-Nearest Neighbor. Jurnal Khatulistiwa Informatika, 10(1), 17–24.
Eldo, H., Ayuliana, A., Suryadi, D., Chrisnawati, G., & Judijanto, L. (2024). Penggunaan Algoritma Support Vector Machine (SVM) Untuk Deteksi Penipuan pada Transaksi Online. Jurnal Minfo Polgan, 13(2), 1627–1632. https://doi.org/10.33395/jmp.v13i2.14186
Eliza, F., Gistituati, N., Rusdinal, R., & Fadli, R. (2024). Analisis SWOT Kebijakan Makan Siang Gratis di Sekolah Menengah Kejuruan. Juwara Jurnal Wawasan Dan Aksara, 4(1), 121–129. https://doi.org/10.58740/juwara.v4i1.91
Erlin, Josef Sianturi, Alyauma Hajjah, & Agustin. (2021). Analisis Sentimen Prosesor AMD Ryzen menggunakan Metode Support Vector Machine. SATIN - Sains Dan Teknologi Informasi, 7(2), 129–141. https://doi.org/10.33372/stn.v7i2.804
Ernawati. (2024). Jurnal Pendidikan Islam Anak Usia Dini Al-Amin. Jurnal Pendidikan Islam Anak Usia Dini, 2(1), 30–37.
Feta, N. R. (2022). Komparasi Fungsi Kernel Metode Support Vector Machine Untuk Comparison of the Kernel Function of Support Vector Machine Method for Modeling Classification of. July 2019.
Gunawan, D. (2016). khazanah informatika Jurnal Ilmu Komputer dan Informatika Evaluasi Performa Pemecahan Database dengan Metode Klasifikasi pada Data Preprocessing Data Mining. Khazanah Informatika: Jurnal Ilmiah Komputer Dan Informatika, 1(1), 1–4.
Homepage, J., Ningsih, W., Alfianda, B., & Wulandari, D. (2024). MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison of Naive Bayes and SVM Algorithms in Twitter Sentiment Analysis on Electric Car Use in Indonesia Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada. 4(2), 556–562.
Ipmawati, J., Kusrini, & Taufiq Luthfi, E. (2017). 1444-1653-1-Sm. Indonesian Journal on Networking and Security, 6(1), 28–36.
Junaedi, Hendra Gunawan, A., Kuswanto, V., & Jonathan. (2024). Tinjauan Support Vector Machine dalam Text-Mining untuk Analisis Sentimen di Sektor Pariwisata. Bit-Tech, 7(2), 323–330. https://doi.org/10.32877/bt.v7i2.1810
Khairunnisa, S., Adiwijaya, A., & Faraby, S. Al. (2021). Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19). Jurnal Media Informatika Budidarma, 5(2), 406. https://doi.org/10.30865/mib.v5i2.2835
Kurniawan, I., Lia Hananto, A., Shofia Hilabi, S., Hananto, A., Priyatna, B., & Yuniar Rahman, A. (2023). Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter. Jurnal Teknik Informatika Dan Sistem Informasi, 10(1), 731–740. http://jurnal.mdp.ac.id
Lodhi, H., Saunders, C., Shawe-Taylor, J., Cristianini, N., & Watkins, C. (2002). Text Classification using String Kernels. Journal of Machine Learning Research, 2(3), 419–444. https://doi.org/10.1162/153244302760200687
Nurhidayat, R., & Dewi, K. E. (2023). KOMPUTA?: Jurnal Ilmiah Komputer dan Informatika PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DAN FITUR EKSTRAKSI N-GRAM DALAM ANALISIS SENTIMEN BERBASIS ASPEK. Komputa?: Jurnal Ilmiah Komputer Dan Informatika, 12(1), 91–100. https://www.kaggle.com/datasets/hafidahmusthaanah/skincare-review?select=00.+Review.csv.
Paramudita, F., Zulfa, M. I., & Taryana, A. (2024). Implementasi Devops Pada Pengembangan Aplikasi Android Pendeteksi Kualitas Beras Berbasis Machine Learning. Transmisi: Jurnal Ilmiah Teknik Elektro, 26(3), 105–113. https://doi.org/10.14710/transmisi.26.3.105-113
Pratiwi, N., & Setyawan, Y. (2021). Analisis Akurasi Dari Perbedaan Fungsi Kernel Dan Cost Pada Support Vector Machine Studi Kasus Klasifikasi Curah Hujan Di Jakarta. Journal of Fundamental Mathematics and Applications (JFMA), 4(2), 203–212. https://doi.org/10.14710/jfma.v4i2.11691
Rabbani, S., Safitri, D., Rahmadhani, N., Sani, A. A. F., & Anam, M. K. (2023). Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 153–160. https://doi.org/10.57152/malcom.v3i2.897
Susanto, L. A. (2023). Pemilihan Hyperparameter Pada Alexnet Cnn Untuk Klasifikasi Citra Penyakit Kedelai. Indexia, 5(02), 113. https://doi.org/10.30587/indexia.v5i02.5508
Downloads
Published
2026-05-31
Issue
Section
Articles
How to Cite
Comparison of Support Vector Machine Kernel Performance In Sentiment Analysis of The Free Lunch Program . (2026). Journal of Applied Business and Technology, 7(2), 113-124. https://doi.org/10.35145/gtv1sr05
