Analisis Sentimen Dewan Perwakilan Rakyat Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization

research
  • 15 Dec
  • 2020

Analisis Sentimen Dewan Perwakilan Rakyat Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization

Penggunaan internet terutama media sosial telah menjadi bagian dari kehidupan bernegara. Hal ini salah satunya karena Anggota Dewan Perwakilan Rakyat Republik Indonesia (DPR RI) banyak yang menyampaikan ide, kebijakan maupun memberikan komentar atas kebijakan pemerintah melalui media sosial. Penelitian ini dilakukan untuk mengukur pendapat atau memisahkan antara sentimen positif dan sentimen negatif terhadap DPR RI. Data yang digunakan dalam penelitian ini didapatkan dengan melakukan crawling pada media sosial twitter. Penelitian dilakukan dengan menggunakan dua Algoritma

yaitu Algoritma Support Vector Machine (SVM) dan Naive Bayes (NB). Kedua algoritma tersebut masing-masing dioptimasi menggunakan Particle Swarm Optimization (PSO). Hasil pengujian k-fold cross validation SVM dan NB mendapatkan nilai accuracy 71,04% dan 70,69% dengan nilai Area Under the Curve (AUC) 0,817 dan 0,661. Sedangkan hasil pengujian k-flod cross validation dengan menggunakan PSO, untuk SVM dan NB masing-masing mendapatkan nilai accuracy 75,03% dan 73,49% dengan nilai AUC 0,808 dan 0,719. Penggunaan PSO mampu meningkatkan nilai accuracy algoritma SVM sebesar 3,99% dan 2,8% pada algoritma NB. Hasil dari pengujian kedua algoritma tersebut nilai accuracy tertinggi adalah SVM dengan PSO sebesar 75,03%.

Unduhan

 

REFERENSI

[1] S. D. Cahyani, “Media Monitoring (Analisis

Media) Di Bagian Media Cetak Dan Media

Sosial Dewan Perwakilan Rakyat Republik

Indonesia (DPR RI),” Jakarta, 2019.

[2] A. Tri, F. M. Laboratorium, O. Reno, and P.

Resmi, “Riset : Ada 175 , 2 Juta Pengguna

Internet di Indonesia,” Updated 20 Feb 2020,

2020.[Online].Available:https://inet.detik.com/

cyberlife/d4907674/riset-ada-1752-juta

pengguna-internet-di-indonesia. [Accessed: 20-

Apr-2020].

[3] M. Kamyab, R. Tao, M. H. Mohammadi, and

A. Rasool, “Sentiment analysis on Twitter: A

text mining approach to the Afghanistan status

reviews,” ACM Int. Conf. Proceeding Ser., pp.

14–19, 2018.

[4] A. Shelar and C. Y. Huang, “Sentiment analysis

of twitter data,” Proc. - 2018 Int. Conf.

Comput. Sci. Comput. Intell. CSCI 2018, pp.

1301–1302, 2018.

[5] L. A. Andika, P. A. N. Azizah, and R.

Respatiwulan, “Analisis Sentimen Masyarakat

terhadap Hasil Quick Count Pemilihan

Presiden Indonesia 2019 pada Media Sosial

Twitter Menggunakan Metode Naive Bayes

Classifier,” Indones. J. Appl. Stat., vol. 2, no. 1,

p. 34, 2019.

[6] Warjiyono, S. Aji, Fandhilah, N. Hidayatun, H.

Faqih, and Liesnaningsih, “The Sentiment

Analysis of Fintech Users Using Support

Vector Machine and Particle Swarm

Optimization Method,” 2019 7th Int. Conf.

Cyber IT Serv. Manag. CITSM 2019, 2019.

[7] I. Santoso, W. Gata, and A. B. Paryanti,

“JURNAL RESTI Penggunaan Feature

Selection di Algoritma Support Vector Machine

untuk Sentimen Analisis Komisi Pemilihan

Umum,” vol. 1, no. 10, pp. 5–11, 2019.

[8] A. Dhika, P. Wardhani, and I. Slamet, “Analisis

Sentimen Penggunaan Kotak Suara Kardus,”

pp. 167–174, 2019.

[9] M. I. Komputer and K. J. Pusat, “Sentimen

Analisis Operasi Tangkap Tangan KPK

Menurut Masyarakat Menggunakan Algoritma

Support Vector Machine , Naive Bayes

Berbasis Particle Swarm Optimizition,” vol.

12, no. 3, pp. 230–243, 2019.

[10] Ridwansyah and E. Purwaningsih, “Particle

Swarm Optimization Untuk Meningkatkan

Akurasi Prediksi Pemasaran Bank,” J. PILAR

Nusa Mandiri, vol. 14, no. 1, pp. 83–88, 2018.

[11] B. Pratama et al., “Sentiment Analysis of the

Indonesian Police Mobile Brigade Corps Based

on Twitter Posts Using the SVM and NB


Methods,” J. Phys. Conf. Ser., vol. 1201, no. 1,

2019.

[12] N. K. Wardhani et al., “Sentiment analysis

article news coordinator minister of maritime

affairs using algorithm naive bayes and

support vector machine with particle swarm

optimization,” J. Theor. Appl. Inf. Technol.,

vol. 96, no. 24, pp. 8365–8378, 2018.

[13] M. Fernández-Gavilanes, T. Álvarez-López, J.

Juncal-Martínez, E. Costa-Montenegro, and F.

Javier González-Castaño, “Unsupervised

method for sentiment analysis in online texts,”

Expert Syst. Appl., 2016.

[14] A. Giachanou and F. Crestani, “Like it or not: A

survey of Twitter sentiment analysis methods,”

ACM Comput. Surv., vol. 49, no. 2, 2016.

[15] D. A. Kristiyanti, A. H. Umam, M. Wahyudi,

R. Amin, and L. Marlinda, “Comparison of

SVM Naïve Bayes Algorithm for Sentiment

Analysis Toward West Java Governor

Candidate Period 2018-2023 Based on Public

Opinion on Twitter,” 2018 6th Int. Conf. Cyber

IT Serv. Manag. CITSM 2018, no. Citsm, pp.

1–6, 2019.

[16] I. A. El-Khair, “Effects of Stop Words

Elimination for Arabic Information Retrieval:

A Comparative Study,” pp. 1–15, 2017.

[17] J. Kaur and P. Kaur Buttar, “A Systematic

Review on Stopword Removal Algorithms,” Int.

J. Futur. Revolut. Comput. Sci. Commun. Eng.,

no. April, pp. 207–210, 2018.

[18] H. Saif, Y. He, M. Fernandez, and H. Alani,

“Contextual semantics for sentiment analysis of

Twitter,” Inf. Process. Manag., vol. 52, no. 1,

pp. 5–19, 2016.

[19] G. A. Buntoro, “Analisis Sentimen Calon

Gubernur DKI Jakarta 2017 Di Twitter,”

Integer J. Maret, vol. 1, no. 1, pp. 32–41, 2017.

[20] O. Heranova, “Synthetic Minority

Oversampling Technique pada Averaged One

Dependence Estimators untuk Klasifikasi

Credit Scoring,” J. RESTI (Rekayasa Sist. dan

Teknol. Informasi), vol. 3, no. 3, pp. 443–450,

2019.

[21] T. T. Maskoen and D. Purnama, “Area Under

the Curve dan Akurasi Cystatin C untuk

Diagnosis Acute Kidney Injury pada Pasien

Politrauma,” Maj. Kedokt. Bandung, vol. 50,

no. 4, pp. 259–264, 2018.

[22] A. Rohani, M. Taki, and M. Abdollahpour, “A

novel soft computing model (Gaussian process

regression with K-fold cross validation) for

daily and monthly solar radiation forecasting

(Part: I),” Renew. Energy, 2018.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru