Analisis Sentimen Pada Media Sosial Twitter Terhadap Penanganan Bencana Banjir Di Jawa Barat Dengan Metode Jaringan Saraf Tiruan

Abstract

Abstrak
Analisis sentimen adalah bidang studi yang menganalisis opini dan sentimen seseorang terhadap suatu
masalah. Masalah yang diangkat dalam penelitian ini adalah bencana banjir yang melanda Jawa Barat
pada bulan Januari tahun 2020. Penelitian ini dilakukan untuk menganalisis bagaimana opini
masyarakat tentang penanganan bencana banjir di Jawa Barat pada bulan Januari tahun 2020 di media
sosial Twitter. Analisis dilakukan dengan melakukan klasifikasi tweet yang berisi sentimen masyarakat
terhadap penanganan bencana banjir. Metode klasifikasi yang digunakan dalam penelitian ini adalah
Jaringan Saraf Tiruan (JST) model Multi Layer Perceptron (MLP) dengan algoritma Backpropagation.
Metode fiture extraction yang digunakan dalam penelitian ini adalah Term Frequency – Inversed
Document Frequency (TF-IDF). Metode validasi yang digunakan dalam penelitian ini adalah Confusion
Matrix. Hasil pengujian pada model yang dibangun memberikan hasil akurasi yang cukup baik yaitu
73.83%.
Kata Kunci: Analisis Sentimen, Twitter, Banjir Jawa Barat, Term Frequency – Inversed Document
Frequency (TF- IDF), Jaringan Saraf Tiruan (JST).
Abstract
Sentiment analysis is a field that analyzes a person's opinion and sentiment on a problem. The problem
raised in this study is the flood disaster that hit West Java in January 2020. This research was conducted
to analyze how public opinion about flood disaster management in West Java in January 2020 on Twitter
social media. The analysis was carried out by classifying tweets containing public sentiment regarding
flood disaster management. The classification method used in this research is an Artificial Neural
Network (ANN) Multi Layer Perceptron (MLP) model with Backpropagation algorithm. The word
weighting method used in this research is the Term Frequency - Inversed Document Frequency (TF-IDF).
The validation method used in this research is the Confusion Matrix. The test results on the model built
gave accurate results in a fairly good way, namely 73.83%.
Keywords: Sentiment Analysis, Twitter, West Java Flood, Term Frequency - Inversed Document
Frequency (TF-IDF), Artificial Neural Networks (ANN).