Perbandingan Particle Swarm Optimization dengan Genetic Algorithm dalam Feature Selection untuk Analisis Sentimen pada Permendikbudristek PPKS-LPT

Gregorius Guntur Sunardi Putra, Windra Swastika, Paulus Lucky Tirma Irawan

Abstract


Kekerasan seksual merupakan salah satu masalah serius yang perlu diselesaikan. Setiap tahunnya terdapat lebih dari 2000 aduan kekerasan seksual. Di satuan Pendidikan, sebanyak 55% dari pelaku merupakan guru atau tenaga pendidik. Jumlah yang ada masih belum merepresentasikan jumlah sebenarnya karena 63% dari peserta survei DIKTI tidak melaporkan kasus kekerasan seksual yang diketahuinya dengan alasan menjaga nama baik kampus. Dengan begitu, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbud) menerbitkan Peraturan Menteri Pendidikan, Kebudayaan, Riset, dan Teknologi (Permendikbudristek) Nomor 30 tahun 2021 tentang Pencegahan dan Penanganan Kekerasan Seksual di Lingkungan Perguruan Tinggi (PPKS-LPT). Peraturan ini menimbulkan kontroversi di masyarakat sehingga perlu dilakukan klasifikasi sentimen. Klasifikasi sentimen dilakukan menggunakan algoritma Multinomial Naïve Bayes, Complement Naïve Bayes, Support Vector Machine, dan Nearest Neighbor dengan menggunakan data seleksi fitur Genetic Algorithm dan Particle Swarm Optimization pada data hasil ekstraksi fitur TF-IDF dari data Twitter yang diambil pada tanggal 1 September-30 Desember 2021 menggunakan kata kunci “permendikbud”, hashtag “cabutpermendikbudristekno30”, dan hashtag “dukungpermendikbud30”. Kemudian klasifikasi akan dievaluasi menggunakan 10-Fold Cross Validation. Hasil dari penelitian ini, algoritma CNB memiliki kinerja paling baik jika dibandingkan dengan 4 algoritma klasifikasi lain dengan nilai accuracy 0.688, precison 0.685, recall 0.688, dan f1-score 0.683. Seleksi fitur GA belum mampu menemukan fitur-fitur yang memiliki akurasi lebih baik jika dibandingkan menggunakan semua fitur, sedangkan seleksi fitur PSO mampu menemukan fitur yang memiliki akurasi sama atau lebih baik jika dibandingkan menggunakan semua fitur dengan peningkatan tertinggi sebanyak 0.8% pada MNB. Sebanyak 49% dari responden merupakan pendukung pengesahan Permendikbudristek PPKS-LPT.

Keywords


Feature Selection; Genetic Algorithm; Machine Learning; Particle Swarm Optimization; Permendikbudristek PPKS; Sentiment Analysis

Full Text:

PDF

References


J. Kenedi, Perlindungan Saksi dan Korban (Studi Perlindungan Hukum dan Kejahatan dan Sistem Peradilan di Indonesia). 1st ed. Yogyakarta: PUSTAKA BELAJAR

Komnas Peremupan, “Lembar Fakta Kekerasan Seksual di Lingkungan Pendidikan,” Komisi Nasional Anti Kekerasan terhadap Perempuan, Indonesia, 2020

KPAI, “SIARAN PERS : Catatan Pelanggaran Anak Tahun 2021 dan Proyeksi Pengawasan Penyelengaraan Perlindungan Anak Tahun 2022,” Komisi Perlindungan Anak Indonesia, Indonesia, 2021.

Dirjen DIKTI, “Naskah Akademik Pendukung Urgensi Draft Peraturan Menteri tentang Pencegahan dan Penanggulangan Kekerasan Seksual di Lingkungan Perguruan Tinggi,” Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan Republik Indonesia, Indonesia, 2020.

Kemendibud, “Peraturan Menteri Pendidikan, Kebudayaan, Riset, dan Teknologi Nomor 30 Tahun 2021 tentang Pencegahan dan Penanganan Kekerasan Seksual di Lingkungan Perguruan Tinggi”, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi Republik Indonesia, Jakarta, 2021.

We Are Sosial, “Digital 2021: Indonesia Digital Report 2021,” HootSuite, London, 2021.

L. P. Hung, M. H. A. Hijazi, and R. Alfred, “A Review on Feature selection Methods for Sentimen Analysis”. J. Computational and Theoretical Nanoscience, vol 21, pp. 2957-2962, 2015

S. R. Hakim, M. A. Rizki, N. I. Zekha, N. Fitri, Y. R. A, and R. Nooraeni, “Analisis sentimen pengguna Instagram terhadap kebijakan kemdikbud mengenai bantuan kouta internet dengan metode support vector machine (SVM),” Jurnal Matematika dan Statistika serta Aplikasinya,, vol. 8, Des. 2020.

G. D. Hamidi, F. A. Bestari, A. Situmorang, and N. A. Rakhmawati, “Sentiment Analysis on the Ratification of Penghapusan Kekerasan Seksual Bill on Twitter,” JuTISI : J. Teknik Informatika dan Sistem Informasi, vol. 7, no.3, Des. 2021

Yennimar and R. A. Rizal, “Comparison of Machine learning Classification Algorithms in Sentiment Analysis Product Review of North Padang Lawas Regency,” SinkrOn : Journal Publications and Informatics Engineering Research, vol. 4, no. 1, pp. 268-273, 2019.

S. Ernawati, and R. Wati, “Penerapan Algoritma K-Nearest Neighbors pada Analisis Sentimen Review Agen Trave”. J. Khatulistiwa Informatika, vol. 6, no. 1, pp. 64-69. 2018.

A. Deviyanto, R. Wahyudi, and M. Didik, “Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K Nearest Neighbor,” JISKa : Jurnal Informatika Sunan Kalijaga, vol. 3, no. 1, pp. 1-13, 2018.

A. R. Isnain, J. Supriyanto, and M. P. Kharisma, “Implementation of K Nearest Neigbor (K-NN) Algorithm for Public Sentiment Analysis of Online Learning,” IJCCS: Indonesian Journal Computing and Cybernetics Systems, vol. 15, no. 2, pp. 121-130, Apr. 2021.

E. Purnamasari, D. P. Rini, and Sukemi, “Seleksi Fitur menggunakan Algoritma Particle Swarm Optimization pada Klasifikasi Kelulusan Mahasiswa dengan Metode Naïve Bayes,” J. RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 3, Jul. 2020.

E. Indrayuni, and A. Nurhadi, “Optimizing Genetic Algorithms for Sentiment Analysis of Apple Product Reviews using SVM,” SinkrOn : Jurnal dan Penelitian Teknik Informatika, vol. 2, no. 4, Apr. 2020.

M. Rostami, K. Berahmand, and S. Forouzandeh, “A Novel Community Detection based Genetic Algorithm for Feature selection,” J. Big Data, vol. 8, no. 2, pp. 1-27, 2021.

A. Garcia-Dominguez, C. E. Galvan-Tejada, L. A. Zanella-Calzada, H. Gamboa-Rosales, J. I. Galvan-Tejada, J. M. Celaya-Padilla, H. Luna-Garcia, and R. Mallanes-Quintanar, “Feature selection Using Genetic Algorithms for the Generation of a Recognition and Classification of Children Activities Model Using Environmental Sound”, Mobile Information System, vol. 2020, no. 8617430, pp. 12, 2020.

K. J. Prayoga, A. Nugroho, and T. N. Wiyatno, “Komparasi Feature selection Particle Swarm Optimization (PSO) dengan Genetic Algorithm (GA) terhadap Algoritma Naïve Bayes pada Analisis Sentimen Twitter,” Proc. SNasTekS, Bekasi, 2019.

M. Avinash, and E. Sivansankar, “Efficient Feature selection Techniques for Sentiment Analysis,” pp. 11911.00288v2, Feb. 2020

S. M. Tambunan, Y. Nataliani, and E. S, Lestari, “Perbandingan Klasifikasi dengan Pendekatan Pembelajaran Mesin untuk Mengidentifikasi Tweet Hoaks di Media Sosial Twitter,” J. JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 7, no. 2, pp. 112-120, Aug. 2021

S. M. Viera, L. F. Mendonca, G. J. Fainha, and J. M. Sousa, “Modified binary PSO for feature selection using SVM applied to mortality prediction of septic patients,” Applied Soft Computing, vol. 13, no. 8, pp 3494-3504, Aug. 2013




DOI: http://dx.doi.org/10.26418/jp.v8i3.57300

Refbacks