Analisis Sentimen Masyarakat Terhadap Kinerja Presiden Indonesia Dalam Aspek Ekonomi, Kesehatan, Dan Pembangunan Berdasarkan Opini Dari Twitter

Abstrak

Abstrak Menjelang pilpres tahun 2019, opini – opini atau tweet yang berkaitan dengan Presiden dan Calon Presiden adalah yang paling banyak diutarakan oleh pengguna twitter di Indonesia saat ini. Opini – opini masyarakat sangat penting untuk mengetahui keadaan keberpihakan masyarakat pada pemilihan presiden yang akan datang. Selain itu dengan melihat opini – opini yang terpampang secara bebas di twitter, kita dapat mengetahui secara umum keadaan beberapa aspek ekonomi, aspek kesehatan, dan aspek pembangunan dengan memanfaatkan opini – opini di twitter. Pada Tugas Akhir ini dibangun sistem untuk analisis sentimen dalam tiga aspek yaitu ekonomi, kesehatan, dan pembangunan yang berupa sentimen positif atau sentimen negatif. Metode yang digunakan adalah Naïve Bayes dengan menggunakan ekstraksi fitur Lexicon SentiWordnet dan penggabungan TF-IDF dengan Lexicon SentiWordnet. Masukan dari sistem ini berupa dataset tweet dari Twitter sebanyak 1357, kemudian dataset tersebut dilabeli secara manual. Keluaran dari penelitian ini berupa evaluasi dengan menggunakan 10 fold cross validation, kemudian pengukuran akurasi diukur dengan confusion matrix. Berdasarkan hasil penelitian yang telah dilakukan, penggunaan Naïve Bayes dengan ekstraksi fitur Lexicon SentiWordnet dalam pembuatan sistem Sentiment Analysis terbukti lebih baik dengan akurasi 84,75% dibandingkan dengan Naïve Bayes dengan menggunakan ekstraksi fitur TF-IDF ataupun TF-IDF yang digabungkan dengan Lexicon SentiWordnet.

Kata kunci : Naïve Bayes, Lexicon SentiWordnet, Twitter , confusion matrix, analisis sentimen, TF-IDF Abstract Towards the 2019 presidential election, opinions or tweets related to the President and Presidential Candidates are the most widely expressed by twitter users in Indonesia today. Public opinion is very important to understand the state of community alignments in the upcoming Presidential election. In addition, by looking at opinions posted on Twitter, we can discuss several aspects of the economy, health aspects, and aspects of infrastructure by using opinions on Twitter. In this Final Project a system for sentiment analysis is built in three aspects, namely economic, health, and development which contain positive sentiments or negative sentiments. The method that used is Naïve Bayes by using the Lexicon SentiWordnet for the feature extraction and the integration of TF-IDF with Lexicon SentiWordnet. Issued from this system consists of tweet datasets from Twitter totaling 1357, then the dataset is labeled manually. The output of this study consisted of evaluations using a 10-fold cross validation, then the evaluation was completed with a confusion matrix. Based on the results of research that has been done, the use of Naïve Bayes with the extraction of the Lexicon SentiWordnet feature in making Sentiment Analysis systems proved to be better with 84.75% consultation compared to Naïve Bayes by using the TF- IDF or TF-IDF feature extraction combined with the Lexicon SentiWordnet.

Keywords: Naïve Bayes, Lexicon SentiWordnet, Twitter, confusion matrix, sentiment analysis, TF-IDF