Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa Pandemi

Ragil Dimas Himawan, Eliyani Eliyani

Abstract


Pemerintah memanfaatkan media sosial seperti twitter sebagai salah satu kanal interaksi dengan masyarakat. Informasi hasil interaksi tersebut sebagai umpan balik untuk mengetahui opini masyarakat terhadap kebijakan publik. Analisis sentimen tweet dari masyarakat dapat dijadikan sebagai salah satu parameter penunjang bagi pemerintah dalam mengevaluasi kebijakan dan pengambilan keputusan mendatang. Penelitian ini bertujuan untuk mengetahui sentimen data tweet masyarakat terhadap akun twitter resmi Pemerintah Provinsi DKI Jakarta di masa pandemi COVID-19. Data yang diperoleh sebanyak 14208 baris dengan query pada tweet yang mengandung kata atau menyebut username @dkijakarta, dimana akan dikelompokkan berdasarkan kelas sentimen yaitu, negatif, netral, dan positif dengan menggunakan TF-IDF Vectorizer untuk pembobotan kata dan klasifikasi menggunakan beberapa metode yaitu, random forest classifier dengan hasil akurasi sebesar 75,81%, algoritma naive bayes dengan hasil akurasi 75,22%, dan algoritma support vector machine 77,58%. Dilakukan proses analisis sentimen pada tweet dengan presentase hasil negatif, netral, dan positif masing-masing yaitu, 8,8%, 83,6%, 7,6%.

Keywords


Analisis Sentimen; Twitter; Text Mining; TF-IDF; Klasifikasi; Support Vector Machine; Naive Bayes; Random Forest Classifier

Full Text:

PDF

References


A. P. Sitorus, H. Murfi, S. Nurrohmah, and A. Akbar, “Sensing Trending Topics in Twitter for Greater Jakarta Area,” vol. 7, no. 1, pp. 330–336, 2017, doi: 10.11591/ijece.v7i1.pp330-336.

N. Y. A. Faradhillah, R. P. Kusumawardani, and I. Hafidz, “Eksperimen Sistem Klasifikasi Analisa Sentimen Twitter pada Akun Resmi Pemerintah Kota Surabaya Berbasis Pembelajaran Mesin (Experiments on Sentiment Classification System for Tweets of the Official Account of the City Government of Surabaya based on Mach,” Pros. Semin. Nas. Sist. Inf. Indones. 2016, pp. 15–24, 2016.

M. D. Anggreani, E. P. Purnomo, and A. N. Kasiwi, “RUANG PUBLIK VIRTUAL SEBAGAI PINTU KOMUNIKASI GOVERNMENT TO CITIZEN (Studi Kasus: Perbandingan Media Sosial Pemerintah Kota Yogyakarta dan Surabaya),” J. MODERAT, vol. 6, no. 1, pp. 203–220, 2020.

D. Cucinotta and M. Vanelli, “WHO declares COVID-19 a pandemic,” Acta Biomed., vol. 91, no. 1, pp. 157–160, 2020, doi: 10.23750/abm.v91i1.9397.

W. Mas’udi and P. S. Winarti, Tata Kelola Penanganan COVID-19 di Indonesia: Kajian Awal. Jogjakarta: Gadjah Mada University Press Dilarang, 2020.

A. M. Pudjajana and D. Manongga, “SENTIMEN ANALISIS TWEET PORNOGRAFI KAUM HOMOSEKSUAL INDONESIA DI TWITTER DENGAN NAIVE BAYES,” vol. 9, no. 1, pp. 313–318, 2018.

M. Ahmad, S. Aftab, and I. Ali, “Sentiment Analysis of Tweets using SVM,” Int. J. Comput. Appl., vol. 177, no. 5, pp. 25–29, 2017, doi: 10.5120/ijca2017915758.

K. M. Alomari, H. M. Elsherif, and K. Shaalan, “Arabic Tweets Sentimental Analysis Using Machine Learning,” vol. 1, no. June, pp. 602–610, 2017, doi: 10.1007/978-3-319-60042-0.

M. Soleymani, D. Garcia, B. Jou, B. Schuller, S. F. Chang, and M. Pantic, “A survey of multimodal sentiment analysis,” Image Vis. Comput., vol. 65, pp. 3–14, 2017, doi: 10.1016/j.imavis.2017.08.003.

U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1725–1732, 2017.

M. Allahyari, S. Pouriyeh, M. Assefi, S. Safei, E. D. Trippe, J. B. Gutierrez, K. Kochut, “A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques,” 2017.

P. H. Saputro, M. Aristin, and Dy. L. Tyas, “Klasifikasi Lagu Daerah Indonesia Berdasarkan Lirik Menggunakan Metode TF-IDF dan Naive Bayes,” J. Teknoloi Inform. dan Terap., vol. 4, no. 1, pp. 45–50, 2017.

Z. Zhu, J. Liang, D. Li, H. Yu, and G. Liu, “Hot Topic Detection Based on a Refined TF-IDF Algorithm,” IEEE Access, vol. 7, pp. 26996–27007, 2019, doi: 10.1109/ACCESS.2019.2893980.

S. Dwiasnati and Y. Devianto, “Optimasi Prediksi Keputusan Calon Nasabah Potensial Berbasis Particle Swarm Optimization,” Optimasi Prediksi Keputusan Calon Nasabah Potensial Berbas. Part. Swa, vol. 6, no. 2, pp. 286–292, 2019.

M. Sadikin and F. Alfiandi, “Comparative Study of Classification Method on Customer Candidate Data to Predict its Potential Risk,” Int. J. Electr. Comput. Eng., vol. 8, no. 6, p. 4763, 2018, doi: 10.11591/ijece.v8i6.pp4763-4771.

D. Suyanto, Data Mining Untuk Klasifikasi dan Klasterisasi Data, Edisi Revi. Bandung: Penerbit Informatika, 2019.

L. Jiang, S. Wang, C. Li, and L. Zhang, “Structure extended multinomial naive Bayes,” Inf. Sci. (Ny)., vol. 329, pp. 346–356, 2016, doi: 10.1016/j.ins.2015.09.037.

C. Coşkun, Y. Doç, and A. Baykal, “Comparison of classification algorithms in data mining on an example,” vol. 116, no. 22, pp. 51–58, 2011.




DOI: http://dx.doi.org/10.26418/jp.v7i1.41728

Refbacks

  • There are currently no refbacks.