Analisis Sentimen Produk Kecantikan Jenis Moisturizer di X Menggunakan Algoritma Support Vector Machine

Abstract

The increasing public interest in incorporating beauty products into their lifestyle has paralleled the increasing public opinions on these products, often voices through the reviews on social media platforms. This study examines public reactions and opinions regarding various moisturizers on social media platform X. The aim of this research is to classify the sentiment of tweets related to the use of moisturizer products using the Support Vector Machine algorithm, thereby providing a deeper understanding of how these moisturizer products are received and evaluated by consumers. The dataset comprises 50,868 opinion tweets, with 35,565 tweets used for training and 15,303 for testing. Sentiment labeling was conducted using the TextBlob library. The classification results using the Support Vector Machine achieved an accuracy rate of 98%, with the highest confusion matrix and recall values at 98% and 100%, respectively, along with an f1-score of 99%.

Meningkatnya minat masyarakat untuk memasukkan produk kecantikan ke dalam gaya hidup mereka telah sejalan dengan meningkatnya opini publik tentang produk-produk ini, yang sering diungkapkan melalui ulasan di platform media sosial. Studi ini mengkaji sentimen analisis yang berupa reaksi dan opini masyarakat terhadap berbagai moisturizer pada Aplikasi X. Tujuan penelitian ini adalah untuk mengklasifikasikan sentimen dari tweet-tweet terkait penggunaan produk moisturizer menggunakan algoritma Super Vector Machine, sehingga dapat memberikan pemahaman lebih dalam tentang bagaimana produk-produk moisturizer diterima dan dinilai oleh konsumen. Dataset terdiri dari 50.868 tweet opini, dengan 35.565 tweet digunakan untuk pelatihan dan 15.303 untuk pengujian. Pelabelan sentimen dilakukan menggunakan perpustakaan TextBlob. Hasil klasifikasi yang menggunakan Support Vector Machine mencapai tingkat akurasi 98%, dengan nilai confused matrix dan recall tertinggi masing-masing 98% dan 100%, serta f1-score sebesar 99%.