Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online

Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online

• By Kurniawan, Sigit; Gata,Windu; Puspitawati, ayu, Dewi; Nurmalasari; Muhamad,Tabrani; Novel, Kadinar;
• Jurnal Nasional Terakreditasi
• 660
• 176-183

Pemilihan umum adalah  bagian  penting  dari  proses  politik  sehingga banyak  tokohpolitik  yang  berpartisipasi dalam  proses  tersebut.  Elektabilitas  adalah  salah  satu  yang  menjadi  perhatian,  berbagai  hal  dilakukan  untuk dapat  meningkatkan  elektabilitas  tokoh  politik  yang  ikut  serta  dalam  pemilihan  umum.  Media  telah  menjadi salah  satu  alat  penting  yang  digunakan  untuk  meningkatkan  elektabilitas,  salah  satunya  adalah  media  berita online. Komentar  dari  pembaca  dan  dapat  digunakan  sebagai  penilaian  terhadap  tokoh-tokoh  politik  dalam bentuk  analisis  sentimen.  Namun,  tidak  mudah  untuk  menganalisis  sentimen  dari  berbagai  komentar  di  media berita  online,  karena  komentarmengandung  teks yang  tidak  terstruktur,  terutama  dalam  teks  Indonesia.  Pra-pemrosesan teks dalam penambangan teks merupakan bagian penting untuk mendapatkan informasi dasar yang terkandung  dalam  komentar.  Penelitian  ini  menggunakan  pra-pemrosesan  teks  Indonesia dengan menggunakan Gata  Framework  Textmining.  Kemudian  dilanjutkan  dengan  mengekstraksi  informasi  menggunakan  metode klasifikasi Naïve   Bayesdan Support   Vector   Machineyang   dioptimalkan   menggunakan Particle   Swarm Optimization.  Pengujian  yang  dilakukan  dengan  kedua  metode  mendapatkan  hasil  bahwa, Support  Vector Machine berbasisi Particle Swarm Optimizationadalah metode terbaik dengan akurasi 78.40% dan AUC 0.850. Penelitian ini mendapatkan algoritma yang efektif dalam mengklasifikasikan komentar positif dan negatif terkait dengan tokoh-tokoh politik dari media berita online.

• Katakunci Text Mining, Sentiment Analysis, Naïve Bayes, Support Vector Machine, Particle Swarm
• URL http://jurnal.iaii.or.id/index.php/RESTI/article/view/935/140
• Penerbit ,

REFERENSI

[1] Aryo   P.W.,   2018.   Selektifitas   Media   Sosial   Dalam Meningkatkan Elektabilitas Figur. ETTISAL Journal of Communication, 3(2), pp. 153-161.

[2]Taibbi,M.,  2019.   In 2019, Let’s Finally Retire ‘Electability’ A favored  totem of the campaign  press has  long  been useless, and now is actively misleading[Online] (Updated 2 Jan 2019)Tersedia di: https://www.rollingstone.com/politics/politics-features/what-is-electability-774196/

[3]Jannti,  R.,  Mahendra,  R.,  Wardhana.,  W,  C.  Adriani,  M,  2018.Stance Classification Towards Political Figures on Blog Writing. In:  IEEE, 2018  International  Conference  on  Asian  Language Processing  (IALP).  Bandung, Indonesia 15-17  November2018. Indonesia.

[4]Oxford Disctionaries, 2018. Sentiment Analysis. [Online]Tersedia di: https://en.oxforddictionaries.com/definition/sentiment_analysis/

[5]Liu,B.,  2015. Sentiment  Analysis  Opinions,  Sentiment,  and Emotion in Text. Chicago, USA: Cambridge University Press.

[6]Saputra,  N.,  Adji,  T.  B.,Permanasari,  A.  E,  2015. Analisis Sentimen     Data     Presiden     Jokowi     dengan     Preprocessing Normalisasi  dan Stemming menggunakan  Metode  Naive  Bayes dan SVM.Jurnal Dinamika Informatika,5(1).

[7]Li,  Quanzhi.,Nourbakhsh,  A.  Fang,  Rui.  Liu,  Xiaomo.  Shah, Sameena,  2016. Sentiment  Analysis  of  Political  Figures  across News  and  Social  Media.  In: Behavioral-Cultural  Modeling,  & Prediction   and   Behavior   Representation   in   Modelingand Simulation, 2016     International     Conference     on     Social Computing. UDC Center, Washington DC, USA.

[8]BudihartoW.,  MeilianaM.,  2018. Prediction  and  analysis  of Indonesia  Presidential  Election  from  Twitter  using  Sentiment Analysis. Journal of Big Data5(1),pp.1-10.

[9]Aliandu,  Paulina,  2013. Twitter  Used  by  Indonesian  President: An Sentiment  Analysis  of  Timeline. 2013  Information  Systems International   Conference   (ISICO).   Surabaya, Indonesia 2-4 December 2013. Indonesia.

[10]Apriyanti,  T.,  Wulandari,  H.,  Safitri, M.,  &  Dewi,  N.,  2016. Translating  Theory  of  English  into  Indonesian  and  Vice-Versa.Indonesian Journal of English Language Studies2(1), pp. 38-59.

[11]R.  Feldman  and  J.  Sanger,  2007. The  Text  MiningHandbook: Advances  Approaches  in  Analyzing  Unstructured Data. New York, NY: Cambridge University Press

[12]Goyal,  Shubham,  2016. Sentimental  Analysis  of  Twitter  Data using    Text    Mining    and    Hybrid    Classification    Approach.International    Journal    of    Advance    Research,    Ideas    and Innovations in Technology2(5), pp.1-9

[13]Vadivukarassi,M., Puviarasan,N., Aruna,P., 2017. Sentimental Analysis   of   Tweets   Using   Naive   Bayes   Algorithm. World Applied Sciences Journal35(1), pp.54-59

[14]Al-Amrani,Y.,  Lazaar,M.,  El  Kadiri,E.K.,  2018. Sentiment Analysis Using Hybrid Method of Support Vector Machine And Decision  Tree.Journal  of  Theoretical  and  Applied  Information Technology96(7), pp.1886-1895

[15]Wahyudi,M.,  Kristiyanti,D.A.,  2016.  Sentiment  Analysis  of Smartphone  Product  Review  Using  Support  Vector  Machine Algorithm-Based   Particle   Swarm   Optimization.Journal   of Theoretical  and  Applied  Information  Technology91(1),  pp.189-201.

[16]Buntoro,  G.  A.,2016. Analisis  Sentimen  Calon  Gubernur  DKI Jakarta 2017 Di Twitter.Integer Journal Maret1(1), pp. 32-41.

[17]Budiono,  D.  F.,  Nugroho,  A.  S., Doewes,  A.,2017. Twitter Sentiment  Analysis  of  DKI  Jakarta’s  Gubernatorial  Election 2017  with  Predictive  and  Descriptive  Approaches.In:  IEEE,2017     International     Conference    on    Computer,     Control, Informatics   and   Its Applications.   Jakarta,   Indonesia   23-26 October 2017. Indonesia.

[18]Fatyanosa, T. N., & Bachtiar, F. A.,2017. Classification method comparison  on  Indonesian  social  media  sentiment  analysis.In: IEEE, 2017     International     Conference     on     Sustainable Information   Engineering   and   Technology   (SIET).   Malang, Indonesia 24-25 November 2017. Indonesia

[19]Rana,  S., Singh,  A.,2016. Comparative  Analysis  of  Sentiment Orientation Using SVM and Naïve Bayes Techniques.In: IEEE, International    Conference    on    Next    Generation    Computing Technologies. Dehradun, India14-16 October 2016. India.

[20]Kenneth  Jensen,  2016. IBM  SPSS  Modeler  CRISP-DM  Guide. [Online]Tersedia di: ftp://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/18.0/en/ModelerCRISPDM.pdf