Penerapan Insert-Lexicon untuk Analisis Sentimen Kenaikan Harga BBM pada Media Sosial Twitter
Abstract
Twitter merupakan media sosial yang sering digunakan sebagai media informasi dan berkomunikasi. Di Twitter kita dapat menemukan berbagai opini yang bersifat positif maupun negatif dari berbagai topik termasuk kenaikan harga BBM. Pada penelitian ini, analisis sentimen dilakukan untuk memahami, mengekstrak dan mengolah pendapat atau opini pengguna Twitter terhadap permasalahan kenaikan harga BBM yang memiliki kecenderungan ke arah negatif maupun positif. Adapun pendekatan yang diterapkan oleh penulis yakni dengan menggunakan Inset-Lexicon. Berdasarkan hasil uji dari 117, terdapat 57 tweet bersentimen positif dan 60 tweet bersentimen negatif. 2. Hasil evaluasi kinerja model menyajikan metrik-metrik penting seperti accuracy, precision, recall dan f1-score. Accuracy sebesar 93.16% menunjukkan sejauh mana model dapat mengklasifikasikan sentimen dengan benar secara keseluruhan. Precision 89.47% mengindikasikan seberapa banyak dari tweet yang diklasifikasikan sebagai positif oleh model yang benar-benar bersentimen positif. Recall sebesar 96.23% menunjukkan kemampuan model dalam mengidentifikasi sebanyak mungkin tweet bersentimen positif dari total tweet yang sebenarnya bersentimen positif. Nilai f1-score sebesar 92.73% adalah suatu ukuran yang seimbang antara precision dan recall, memberikan gambaran holistik tentang kinerja model.
References
S. S. Azka and S. T. H. Karo-Karo, “Penggunaan Bahasa Gaul Dikalangan Remaja dalam Menggunakan Twitter,” J. Ris. Rumpun Ilmu Bhs., vol. 2, no. 1, pp. 114–122, 2023, doi: 10.55606/jurribah.v2i1.1148.
G. R. Hrp and N. Aslami, “Analisis Dampak Kebijakan Perubahan Publik Harga BBM terhadap Perekonomian Rakyat Indonesia,” J. Ilmu Komputer, Ekon. Dan Manaj., vol. 2, no. 1, pp. 1464–1474, 2022, doi: 10.47467/elmal.v5i4.1112.
Y. Dewi, S. S, A. Dini, M. M, and R. Mauli, “Dampak Kenaikan Harga Bahan Bakar Minyak (BBM) Terhadap Sembilan Bahan Pokok (Sembako) Di Kecamatan Tambun Selatan Dalam Masa Pandemi,” J. Citizsh. Virtues, vol. 2, no.2, pp. 320–326, 2022, doi: 10.37640/jcv.v2i2.1533.
R. Delima, A. Rachmat, and C. #2, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Otomatisasi Pembentukan Class Diagram dengan Pendekatan Metode Pemrosesan Teks dan Algoritma CombineTF,” J. Edukasi dan Penelit. Infomatika, vol. 10, no. 1, pp. 120–127, 2024.
A. K. Fauziyyah, “Analisis Sentimen Pandemi Covid19 Pada Streaming Twitter Dengan Text Mining Python,” J. Ilm. SINUS, vol. 18, no. 2, p. 31, 2020, doi: 10.30646/sinus.v18i2.491.
D. Farrel Putra Rachmawan, M. Hanindia Prami Swari, and C. Aji Putra, “Analisis Sentimen Review Hotel Favehotel Kusumanegara Menggunakan Algoritma Multinomial Naive Bayes,” in Seminar Nasional Informatika Bela Negara (SANTIKA), 2023, vol. 3, pp. 155–159, [Online]. Available: www.traveloka.com.
I. W. Pratama and I. Nurlela, “Sistem Informasi Akuntansi Aset Tetap Kendaraan,” J. Sist. Inf. Akunt., vol. 1, no. 1, pp. 56–66, 2018.
D. Musfiroh, U. Khaira, P. E. P. Utomo, and T. Suratno, “Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 24–33, 2021, doi: 10.57152/malcom.v1i1.20.
M. F. N. Fathoni, E. Y. Puspaningrum, and A. N. Sihananto, “Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM,” JModem J. Inform. dan Sains Teknol., vol. 1, no. 3, pp. 62–76, 2024, [Online]. Available: https://doi.org/10.62951/modem.v1i3.112.
I. Kadek Arya Budi Artana, G. Aditra Pradnyana, I. Gede Mahendra Darmawiguna, and F. Teknik dan Kejuruan, “Analisis Sentimen Twitter Untuk Menilai Kesiapan Pembelajaran Tatap Muka Terbatas Dengan Inset Lexicon Dan Levenshtein Distance,” J. Pendidik. Teknol. dan Kejuru., vol. 20, no. 2, pp. 200–209, 2023.
S. R. Wardhana, D. Purwitasari, and S. Rochimah, “Analisis Sentimen Pada Review Pengguna Aplikasi Mobile Untuk Evaluasi Faktor Usability,” J. Sist. Dan Inform., vol. 11, no. 1, pp. 128–136, 2017, [Online]. Available: https://play.google.com/store/apps/details?id=com.instagram.a ndroid&hl=en.
H. Utama and A. Masruro, “Analisis Sentimen pada Twitter Menggunakan Word Embedding dengan Pendekatan Word2Vec,” J. Sist. Cerdas, vol. 05, no. 02, pp. 128–134, 2022.
I. M. Syafii, “Sentimen Analisis Pada Media Sosial Menggunakan Metode Naive Bayes Classifier (Nbc),” Teknologipintar.org, vol. 3, no. 2, p. 1, 2023.
M. Cendana and S. D. H. Permana, “Pra-Pemrosesan Teks pada Grup Whatsapp untuk Pemodelan Topik,” Junal Mantik Penusa, vol. 3, no. 3, pp. 107–116, 2019.
N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 1, pp. 47–58, 2021, doi: 10.28932/jutisi.v7i1.3216.
Full Text: PDF
Refbacks
- There are currently no refbacks.
