Analisis Sentimen Terhadap Kebijakan Pemerintah Indonesia Dengan Feature Expansion Metode Glove Pada Media Sosial Twitter
DOI:
https://doi.org/10.34818/eoe.v9i1.17389Abstract
Penyebaran informasi yang semakin meningkat di media sosial memudahkan pengguna untuk mengungkapkan pandangan dan pendapatnya. Opini dan reaksi dapat berupa opini positif atau negatif atau dapat diartikan sebagai sentimen. Pada riset ini dibuat sistem analisis sentimen berdasarkan data kebijakan pemerintah pada media sosial Twitter. Dalam membangun sistem analisis sentimen ini, data yang digunakan adalah data yang berisi tweet dengan keyword yang telah ditentukan dan menggunakan feature expansion yaitu GloVe dan metode klasifikasi Support vector machine (SVM). feature expansion dapat mengoreksi perbedaan kosakata dalam data tweet yang random dan terbatas untuk mendapatkan hasil pemrosesan kata yang maksimal. Hasil riset menunjukkan bahwa penggunaan feature expansion GloVe dapat meningkatkan akurasi sebesar 4,77% dari baseline dengan akurasi optimal sebesar 79,52%. Kata kunci: analisis sentimen, feature expansion, GloVe, klasifikasi, SVMReferences
[1] I. Septiar, “Introduction: Sentiment Analysis. Mudah?,” medium.com, 2019.
https://medium.com/@irvanseptiar/introduction-sentiment-analysis-mudah-5785f88e435d (accessed
Oct. 22, 2020).
[2] P. KASN, “Studi Kebijakan Pemerintah,” perpustakaan.kasn.go.id/.
http://perpustakaan.kasn.go.id/index.php?p=show_detail&id=175&keywords=#:~:text=Kebijakan
pemerintah pada hakikatnya merupakan,pada berbagai dimensi kehidupan publik. (accessed Jan. 19,
2021).
[3] Cambridge, “Public Policy,” dictionary.cambridge.org/.
https://dictionary.cambridge.org/dictionary/english/public-policy (accessed Jan. 19, 2021).
[4] A. S. Putri, “Kebijakan Publik: Pengertian, Tujuan dan Ciri-ciri,” kompas.com, 2020.
https://www.kompas.com/skola/read/2020/02/06/210000269/kebijakan-publik--pengertian-tujuan-danciri-ciri?page=all (accessed Dec. 19, 2021).
[5] S. Asiri, “Machine Learning Classifiers,” towardsdatascience.com, 2018.
https://towardsdatascience.com/machine-learning-classifiers-a5cc4e1b0623#:~:text=Classification is the
process of,discrete output variables (y). (accessed Nov. 19, 2020).
[6] B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk
Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi:
10.26418/jp.v4i2.27526.
[7] A. Fathan Hidayatullah and A. Sn, “ISSN: 1979-2328 UPN "Veteran,” Semin. Nas. Inform., vol. 2014,
no. semnasIF, pp. 115–122, 2014, [Online]. Available: http://www.situs.com.
[8] D. A. Muthia, “Analisis Sentimen Pada Review Restoran Dengan Teks Bahasa Indonesia Mengunakan
Algoritma Naive Bayes,” Jurnalilmu Pengetah. Dan Teknol. Komput., vol. 2, no. 2, pp. 39–45, 2017.
[9] S. Dewi, “Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan,” Techno Nusa Mandiri,
vol. XIII, no. 1, pp. 60–66, 2016.
[10] Iykra, “Deep Learning dan Manfaatnya Bagi Perkembangan AI,” medium.com, 2016.
https://medium.com/iykra/deep-learning-dan-manfaatnya-bagi-perkembangan-ai-cab94e20c19a
(accessed Nov. 19, 2020).
[11] D. Suhartono, “Word Vector Representation: Word2Vec & Glove,” socs.binus.ac.id, 2016.
https://socs.binus.ac.id/2016/12/22/word-vector-representation-word2vec-glove/#:~:text=Word2Vec
merupakan nama word vector,mengukur beberapa vektor sebagai perbandingan. (accessed Nov. 19,
2020).
[12] M. A. Fauzi, “Word2Vec model for sentiment analysis of product reviews in Indonesian language,” Int.
J. Electr. Comput. Eng., vol. 9, no. 1, p. 525, 2019, doi: 10.11591/ijece.v9i1.pp525-530.
[13] M. Rusli, “Ekstraksi Fitur Menggunakan Model Word2Vec Pada Sentiment Analysis Kolom Komentar
Kuisioner Evaluasi Dosen Oleh Mahasiswa,” Klik - Kumpul. J. Ilmu Komput., vol. 7, no. 1, p. 35, 2020,
doi: 10.20527/klik.v7i1.296.
[14] G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” INTEGER J. Inf.
Technol., vol. 1, no. 1, pp. 32–41, 2017, [Online]. Available:
https://www.researchgate.net/profile/Ghulam_Buntoro/publication/316617194_Analisis_Sentimen_Calo
n_Gubernur_DKI_Jakarta_2017_Di_Twitter/links/5907eee44585152d2e9ff992/Analisis-SentimenCalon-Gubernur-DKI-Jakarta-2017-Di-Twitter.pdf.
[15] U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia
Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan
Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp.
1725–1732, 2017, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/628.
[16] E. B. Setiawan, D. H. Widyantoro, and K. Surendro, “Feature expansion using word embedding for
tweet topic classification,” Proceeding 2016 10th Int. Conf. Telecommun. Syst. Serv. Appl. TSSA 2016
Spec. Issue Radar Technol., no. October, 2017, doi: 10.1109/TSSA.2016.7871085.
[17] N. A. S. Galih Hendro M, T.B. Adji, “Penggunaan Metodologi Analisa Komponen Utama (PCA) untuk
Mereduksi Faktor-Faktor yang Mempengaruhi Penyakit Jantung Koroner.pdf.” 2012.
[18] S. Qaiser and R. Ali, “Text Mining: Use of TF-IDF to Examine the Relevance of Words to Documents,”
Int. J. Comput. Appl., vol. 181, no. 1, pp. 25–29, 2018, doi: 10.5120/ijca2018917395.
[19] Samsudiney, “Penjelasan Sederhana tentang Apa Itu SVM?,” medium.com, 2019.
https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-149fec72bd02 (accessed
Nov. 23, 2020).
[20] J. Han, M. Kamber, and J. Pei, “Data Mining Techniques, Third Edition,” p. 847, 2011.
