Analisis Sentimen Terhadap Pembangunan Kereta Cepat Jakarta - Bandung Pada Media Sosial Twitter Menggunakan Metode SVM dan GloVe Word Embedding
Abstract
Abstrak-Proyek kereta cepat Jakarta – Bandung merupakan salah satu proyek besar yang saat ini sedang dibuat di Indonesia. Proyek kereta cepat Jakarta – Bandung menjadi ramai dibicarakan di media sosial Twitter, karena pada pembangunannnya terdapat banyak pihak yang merasa dirugikan, namun ada juga pihak yang merasa diuntungkan. Pada penelitian ini dilakukan analisis sentimen terhadap sentiment publik di media sosial Twitter tentang proyek kereta cepat Jakarta – Bandung. Penelitian ini menggunakan data yang berisi tweet dari keyword yang sudah ditentukan dan menggunakan GloVe word embedding dan metode klasifikasi Support Vector machine. Pada penelitian ini kombnasi terbaik pada parameter GloVe dengan nilai 200 untuk no_of_component, 0.001 untuk learning_rate dan fitur TOP 1 menghasilkan kenaikan pada nilai akurasi klasifikasi SVM dari 72.63% menjadi 77.72% dibandingkan dengan SVM tanpa menggunakan fitur ekspansi GloVe.
Kata kunci - sentimen, kereta cepat, twitter, GloVe, SVM
References
Ihsan, M., Roza, E., & Widodo, E. (2019). Analisis Sentimen Twitter terhadap Bom Bunuh Diri di Surabaya 13 Mei 2018 menggunakan Pendekatan Support Vector Machine. PRISMA, Prosiding Seminar Nasional Matematika, 2, 416–426.
PPID. (2016). Presiden Jokowi Resmikan Groundbreaking Proyek Kereta Cepat Dan Sentra Ekonomi Koridor Jakarta -Band. Diakses pada 25 Oktober 2021, dari http://ppid.menlhk.go.id/berita/berita-foto/340/presiden-jokowi-resmikan-groundbreaking-proyek-kereta-cepat-dan-sentra-ekonomi-koridor-jakarta-band
Handyono. (2016). Manfaat dari proyek kereta cepat Jakarta – Bandung. Diakses pada 31 Oktober 2021, dari 3
Gusman, Hanif. (2020). Fakta dan Masalah Kereta Cepat Jakarta – Bandung. https://tirto.id/fakta-dan-masalah-kereta-cepat-jakarta-bandung-eG7s
Rezwanul, M., Ali, A. and Rahman, A. (2017) ‘Sentiment Analysis on Twitter Data using KNN and SVM’, International Journal of Advanced Computer Science and Applications, 8(6), pp. 19–25. doi:10.14569/ijacsa.2017.080603.
Prastyo, P. H. et al. (2020) ‘Tweets Responding to the Indonesian Government’s Handling of COVID-19: Sentiment Analysis Using SVM with Normalized Poly Kernel’, Journal of Information Systems Engineering and Business Intelligence, 6(2), p. 112. doi: 10.20473/jisebi.6.2.112-122..
Ahmad, M., Aftab, S. and Ali, I. (2017) ‘Sentiment Analysis of Tweets using SVM’, International Journal of Computer Applications, 177(5), pp. 25–29. doi: 10.5120/ijca2017915758.
Lu, K. and Wu, J. (2019) ‘Sentiment analysis of film review texts based on sentiment dictionary and SVM’, PervasiveHealth: Pervasive Computing Technologies for Healthcare, Part F148152, pp. 73–77. doi: 10.1145/3319921.3319966.
Alizah, M. D., Nugroho, A., Radiyah, U., & Gata, W. (2020). Sentimen Analisis Terkait Lockdown pada Sosial Media Twitter. Indonesian Journal on Software Engineering (IJSE), 6(2), 223–229. https://doi.org/10.31294/ijse.v6i2.8991
Rumata, Vience Mutriara. (2017). Analisis Isi Kualitatif Twitter “#TaxAmensty” dan “#AmenestiPajak”. PIKOM, Penelitian Komunikasi dan Pembangunan.
Nurhadi, Z. F. (2017). Model Komunikasi Sosial Remaja Melalui Media Twitter. Jurnal ASPIKOM, 3(3), 539. https://doi.org/10.24329/aspikom.v3i3.154
Akbar, M. T., Martutik, M., & Safii, M. (2018). Konten Akun Media Sosial Twitter Perpustakaan Universitas Perguruan Tinggi Di Indonesia. BIBLIOTIKA : Jurnal Kajian Perpustakaan Dan Informasi, 2(1), 41–49. https://doi.org/10.17977/um008v2i12018p041
Rustiana, D., & Rahayu, N. (2017). Analisis Sentimen Pasar Otomotif Mobil: Tweet Twitter Menggunakan Naïve Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 8(1), 113–120. https://doi.org/10.24176/simet.v8i1.841
Liu, B. (2010). Sentiment analysis and subjectivity. In Handbook of Natural Language Processing, Second Edition.
deHaaff, Michelle. (2010). Sentiment Analysis, Hard But Wort It!. Diakses pada 23 November 2021, dari https://customerthink.com/sentiment_analysis_hard_but_worth_it/
Giovani, A. P., Ardiansyah, A., Haryanti, T., Kurniawati, L., & Gata, W. (2020). Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi. Jurnal Teknoinfo, 14(2), 115. https://doi.org/10.33365/jti.v14i2.679
T, Y. S., Faraby, S. Al, & Mahendra Dwifebri. (2019). Analisis Sentimen Terhadap Ulasan Film Menggunakan Word2Vec dan SVM. 8(4), 4136–4144.
A. S. Akbar, E. Sediyono, and O. D. Nurhayati, “Analisis Sentimen Berbasis
Ontologi di Level Kalimat untuk Mengukur Persepsi Produk,” J. Sist. Inf.
Bisnis, vol. 5, no. 2, pp. 84–97, 2015, doi: 10.21456/vol5iss2pp84- 97.
L. C. Yu, J. Wang, K. R. Lai, and X. Zhang, “Refining word embeddings for sentiment analysis,” EMNLP 2017 - Conf. Empir. Methods Nat. Lang. Process. Proc., pp. 534–539, 2017, doi: 10.18653/v1/d17-1056.
Widyasanti, N., Darma Putra, I. and Dwi Rusjayanthi, N., 2018. Seleksi Fitur Bobot Kata dengan Metode TFIDF untuk Ringkasan Bahasa Indonesia. Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), Vol 6(2252-3006), p.119.
R. Ni and H. Cao, "Sentiment Analysis based on GloVe and LSTM-GRU," 2020 39th Chinese Control Conference (CCC), 2020, pp. 7492-7497, doi: 10.23919/CCC50068.2020.9188578.
R. D. Indrapurasih, M. A. Bijaksana, I. L. Sardi, and L. Belakang, “Implementasi dan Analisis Kesamaan Semantik Antar Kata Bahasa Indonesia Menggunakan Metode GloVe Pendahuluan Studi Terkait Semantic Similarity,” eProceedings Eng., vol. 5, no. 3, pp. 7699–7706, 2018.
J. Pennington, R. Socher, and C. D. Manning, “GloVe: Global vectors for word representation,” EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference. pp. 1532–1543, 2014, doi: 10.3115/v1/d14-1162.
J. S. Chawla. (2018). What is Glove?. Diakses pada 12 Januari 2022, dari https://medium.com/analytics-vidhya/word-vectorization-using-glove-76919685ee0b
Scikit-learn developers. Support Vector Machines. Diakses pada 23 Juli 2022, dari https://scikit-learn.org/stable/modules/svm.html
