Analisis Sentimen pada Media Sosial Twitter Terhadap Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat Berbasis Deep Learning

Mohammad Farid Naufal, Selvia Ferdiana Kusuma

Abstract


Kebijakan Pemberlakukan Pembatasan Kegiatan Masyarakat (PPKM) merupakan salah satu kebijakan pemerintah yang diambil untuk menekan laju persebaran Covid19. Tidak setiap kebijakan selalu berdampak positif untuk warga. Oleh sebab itu perlu adanya evaluasi terhadap setiap kebijakan. Saat ini banyak warga yang sering menanggapi kebijakan pemerintah melalui komentar-komentar di media sosial twitter. Komentar-komentar tersebut sebanarnya dapat dijadikan bahan evaluasi terhadap kebijakan yang telah diambil. Namun komentar-komentar tersebut perlu diklasifikasikan dahulu, komentar yang bersentimen positif, negative maupun netral. Proses pengklasifikasian secara manual tentunya akan menyita banyak waktu karena jumlah sangat banyak, bisa ribuah bahkan puluhan ribu. Perlu adanya otimatisasi pengklasifikasin sentimen dari twitter tersebut. Oleh sebab itu penelitian ini berfokus pada otomatisasi analisis sentimen komentar-komentar warga pada media sosial twitter terkait PPKM. Proses otomatisasi analisis sentimen terkait kebijakan PPKM ini berbasis deep learning. Semua data yang telah melalui preprocess dan pelabelan kemudian akan dimodelkan menggunakan algoritma Long Short Term Memory (LSTM). Model dibentuk berdasarkan uji coba paramater yang paling baik menggunakan algoritma grid search. Model yang terbentuk inilah yang digunakan untuk mengklasifikasikan sentimen tweet secara otomatis.  Berdasarkan eksperimen yang dilakukan, metode yang diusulkan berhasil mengklasifikasikan 37750 tweet sesuai dengan sentimennya dengan akurasi 87%.


Keywords


Deep Leraning; Sentimen Analisis; PPKM; Twitter

Full Text:

PDF

References


P. Pratama, E. Indarbensyah, and N. Rochmawati, “Penerapan N-Gram Menggunakan Algoritma Random Forest Dan Naïve Bayes Classifier Pada Analisis Sentimen Kebijakan Ppkm 2021,” vol. 2, pp. 235–244, 2021.

T. Krisdiyanto, “Analisis Sentimen Opini Masyarakat Indonesia Terhadap Kebijakan PPKM pada Media Sosial Twitter Menggunakan Naïve Bayes Clasifiers,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 7, no. 1, pp. 32–37, 2021, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/coreit/article/view/12945.

M. Syarifuddin, “Analisis Sentimen Opini Publik Terhadap Efek Psbb Pada Twitter Dengan Algoritma Decision Tree-Knn-Naïve Bayes,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 87–94, 2020, doi: 10.33480/inti.v15i1.1433.

Samsir, Ambiyar, U. Verawardina, F. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, pp. 157–163, 2021, doi: 10.30865/mib.v5i1.2604.

Merinda Lestandy, Abdurrahim Abdurrahim, and Lailis Syafa’ah, “Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent Neural Network dan Naïve Bayes,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 802–808, 2021, doi: 10.29207/resti.v5i4.3308.

N. P. G. Naraswati, R. Nooraeni, D. C. Rosmilda, D. Desinta, F. Khairi, and R. Damaiyanti, “Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification,” Sistemasi, vol. 10, no. 1, p. 222, 2021, doi: 10.32520/stmsi.v10i1.1179.

B. Rifai, Normah, B. D. Febryanto, F. Yulianto, and N. Reflianah, “Analisis Sentimen Opini Publik Terhadap Penerapan Kebijakan Social Distancing Dalam Pencegahan Covid-19,” Paradig. – J. Inform. dan Komput., vol. 23, no. 1, pp. 55–62, 2021, doi: https://doi.org/0.31294/p.v%vi%i.8756.

H. Tuhuteru, “Analisis Sentimen Masyarakat Terhadap Pembatasan Sosial Berksala Besar Menggunakan Algoritma Support Vector Machine,” Inf. Syst. Dev., vol. 5, no. 2, pp. 7–13, 2020.

R. D. Himawan and Eliyani, “Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa,” J. Edukasi dan Penelit. Inform., vol. 7, no. 1, pp. 58–63, 2021, [Online]. Available: https://jurnal.untan.ac.id/.

D. T. Hermanto, A. Setyanto, and E. T. Luthfi, “Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 64, 2021, doi: 10.24076/citec.2021v8i1.264.

U. D. Gandhi, P. Malarvizhi Kumar, G. Chandra Babu, and G. Karthick, “Sentimen Analysis on Twitter Data by Using Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM),” Wirel. Pers. Commun., no. 0123456789, 2021, doi: 10.1007/s11277-021-08580-3.

A. F. Hidayatullah, S. Cahyaningtyas, and A. M. Hakim, “Sentimen Analysis on Twitter using Neural Network: Indonesian Presidential Election 2019 Dataset,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1077, no. 1, p. 012001, 2021, doi: 10.1088/1757-899x/1077/1/012001.

M. A. Riza and N. Charibaldi, “Emotion Detection in Twitter Social Media Using Long Short-Term Memory (LSTM) and Fast Text,” Int. J. Artif. Intell. Robot., vol. 3, no. 1, pp. 15–26, 2021, doi: 10.25139/ijair.v3i1.3827.

L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma,” J. Nas. Pendidik. Tek. Inform., vol. 8, no. 3, pp. 184–196, 2019.

I. Priyadarshini and C. Cotton, “A novel LSTM–CNN–grid search-based deep neural network for sentimen analysis,” J. Supercomput., no. 0123456789, 2021, doi: 10.1007/s11227-021-03838-w.

A. Bijaksana, P. Negara, H. Muhardi, and F. Sajid, “Perbandingan Algoritma Klasifikasi terhadap Emosi Tweet Berbahasa Indonesia,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 2, pp. 242–249, 2021.

E. Eka Patriya, “Implementasi Support Vector Machine Pada Prediksi Harga Saham Gabungan (Ihsg),” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 24–38, 2020, doi: 10.35760/tr.2020.v25i1.2571.




DOI: http://dx.doi.org/10.26418/jp.v8i1.49951

Refbacks

  • There are currently no refbacks.