Sentimen Twitter terhadap PILKADA kota Medan menggunakan metode Naive Bayes
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Indonesia menjadi negara kelima terbesar pengguna twitter sebanyak 19,5 juta pengguna. Seiring berkembangnya teknologi informasi, twitter menjadi salah satu sumber informasi berdasarkan dari sentiment twitter dan trending serta penggunaan hastag yang menjadi tranding. Belakangan ini vaksin nusantara menuai pro dan kontra, untuk dapat mengkalsifikasikan kalimat positif dan negative dalam sentiment twitter terhadap vaksin nusantara maka membutuhkan data dari para pengguna twitter dengan mengambil data berdasarkan kalsidikasi kalimat yang selanjutnya di proses data awal sebelum dimasukan ke dalam model indoBERT yang nantinya akan mengahasilkan tingkat akurasi sentiment twitter terhadap vaksin nusantara. Indonesia memiliki 19,5 juta pengguna Twitter dari total 500 juta pengguna global dan terus berkembang dari waktu ke waktu. Pengguna Twitter memanfaatkannya sebagai forum terbuka kampanye oleh calon walikota Medan dan relawan mereka diminta Netizen menanggapi. Tanggapan warganet terhadap setiap tweet adalah Positif dan Negatif. Oleh karena itu, penelitian ini mencoba menganalisis tweet tentang sentimen netizen terhadap Pilkada Kota Medan 2020. Opini atau sentimen dari pengguna Twitter bisa tentunya dapat dijadikan sebagai kritik dan saran yang dapat ditampung oleh calon walikota dan wakil walikota Medan. Netizen Twitter sering pendapat tentang Calon Kepala Daerah melalui Unggahannya. Pendapat dari Netizen Twitter masih acak-acakan atau tidak terklasifikasi. Untuk memudahkan proses mengklasifikasikan data opini netizen membutuhkan Analisis Sentimen. Analisis Sentimen dilakukan dengan klasifikasi tweet yang mengandung sentimen Netizen terhadap Penyelenggaraan Pilkada Kota Medan 2020. Metode klasifikasi yang digunakan dalam penelitian ini adalah metode Naive Bayes yang dikombinasikan dengan ekstraksi fitur TF-IDF. NS Uji validitas yang diterapkan pada penelitian ini menggunakan matriks konfusi. Dengan fitur tf-idf ekstraksi dan metode Naive Bayes akan dapat secara otomatis mengklasifikasikan analisis sentimen dengan hasilr akurasi 76,00%.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
H. Rosenberg, S. Syed, and S. Rezaie, “The Twitter pandemic: The critical role of Twitter in the dissemination of medical information and misinformation during the COVID-19 pandemic,” Can. J. Emerg. Med., vol. 22, no. 4, pp. 418–421, 2020, doi: 10.1017/cem.2020.361.
B. Monsted, P. Sapiezynski, E. Ferrara, and S. Lehmann, “Evidence of complex contagion of information in social media: An experiment using twitter bots,” arXiv, pp. 1–12, 2017.
K. Rudra, N. Ganguly, and P. Goyal, “Extracting and Summarizing Situational Information,” ACM Trans. WEB, vol. 12, no. 3, p. 35, 2018.
GATRAnews, “Indonesia Peringkat Lima Pengguna Twitter,” 2012. http://www.gatra.com/iltek/internet/20244-indonesia-peringkat-lima-pengguna-twitter.html (accessed Apr. 25, 2021).
A. Reyes-Menendez, J. R. Saura, and C. Alvarez-Alonso, “Understanding #worldenvironmentday user opinions in twitter: A topic-based sentiment analysis approach,” Int. J. Environ. Res. Public Health, vol. 15, no. 11, 2018, doi: 10.3390/ijerph15112537.
C. Gu and A. Kurov, “Informational role of social media: Evidence from Twitter sentiment,” J. Bank. Financ., vol. 121, p. 105969, 2020, doi: 10.1016/j.jbankfin.2020.105969.
A. Novantirani, M. K. Sabariah, and V. Effendy, “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” e-Proceeeding Eng., vol. 2, no. 1, pp. 1–7, 2015.
B. Wilie et al., “IndoNLU: Benchmark and resources for evaluating indonesian natural language understanding,” arXiv, 2020.
A. Faesal, A. Muslim, A. H. Ruger, and K. Kusrini, “Sentimen Analisis Terhadap Komentar Konsumen Terhadap Produk Penjualan Toko Online Menggunakan Metode K-Means,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 19, no. 2, pp. 207–213, 2020, doi: 10.30812/matrik.v19i2.640.
T. Kudo and J. Richardson, “SentencePiece: A simple and language independent subword tokenizer and detokenizer for neural text processing,” EMNLP 2018 - Conf. Empir. Methods Nat. Lang. Process. Syst. Demonstr. Proc., pp. 66–71, 2018, doi: 10.18653/v1/d18-2012.
hang, L., Wang, S., & Liu, B. (2018). Deep learning for sentiment analysis: A
survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge
Discovery, 8(4), e1253
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi menggunakan MATLAB.
(N. WK, Ed.) (1st ed.). Yogyakarta: C.V ANDI OFFSET.
Suryani, S., & Hendriyadi, H. (2016). Metode riset kuantitatif: Teori dan aplikasi
pada penelitian bidang manajemen dan ekonomi Islam.
Susilowati, E., Sabariah, M. K., & Gozali, A. A. (2015). Implementasi Metode
Support Vector Machine untuk Melakukan Klasifikasi Kemacetan Lalu
Lintas Pada Twitter. E-Proceeding of Engineering, 2(1), 1–7.