ANALISIS SENTIMENT TWITTER TERKAIT KONDISI SOCIAL DISTANCING DI INDONESIA DENGAN MODEL VOTING ENSEMBLE

ANALISIS SENTIMENT TWITTER TERKAIT KONDISI SOCIAL DISTANCING DI INDONESIA DENGAN MODEL VOTING ENSEMBLE

• By Mugi Raharjo;
• Tesis
• 663

Informasi saat ini menjadi mudah untuk kita temukan, Berita terkait pandemi covid-19 contohnya, sejak virus ini dikategorikan sebagai wabah oleh WHO berita atau informasi terkait hal ini sangat banyak dapat kita jumpai di berbagai platform media sosial twitter.Lalu saat wabah ini mulai dicari untuk berbagai negara maka istilah untuk jarak sosial atau yang sekarang diubah oleh WHO menjadi jarak fisik, untuk itu Penulis mencoba melakukan penelitian terkait kondisi jarak sosial di Indonesia dengan maksdu dan tujuan untuk mencari tahu sentimen masyarakat terkait hal ini, Penulis mengkilap ini menjadi model positive dan negative pada sebuah cuitan di twitter. Hal tersebut dimungkinkan dengan menggunakan analisis sentimen yaitu dengan menggabungkan dokumen dengan penambangan teks. Algoritma yang digunakan di dalam penelitian ini adalah Naive Bayes, tetangga terdekat K-dan Mesin Vektor yang Penulis buat dengan model Voting Ensemble Penulis melakukan perbandingan model dengan Particle Swarm Optimization. model ke-1 melakukan pengujian tiga algoritma menggunakan ratio validation 0.7-0.8 dan 10folds cross validation, Model 2 penulis menggunakan fitur selection yaitu Particle swarm Optimization dimana PSO ini penulis jadikan perbandingan dengan model 3.Dari model ke-2 ini diperoleh akurasi sebesar 88,00% untuk SVM + PSO, 88.54%% untuk NB + PSO dan 81.58% untuk K -NN + PSO. Model ke-3 adalah menggunakan model voting ensemble. Model yang ke-3 menggunakan model voting dengan model voting ini didapatkan peningkatan akurasi, tingkat akurasi tertinggi adalah 90,77% dengan 93.44% presisi dan 0.921 nilai AUC.

• Katakunci Analisis Sentimen
• URL http://
• Penerbit ,

REFERENSI

A., W., & M., A. (2017). A Study using Support Vector Machines to Classify the Sentiments of Tweets. International Journal of Computer Applications, 170(2), 8–12. https://doi.org/10.5120/ijca2017914690
Aaputra, S. A., Didi Rosiyadi, Windu Gata, & Syepry Maulana Husain. (2019). Sentiment Analysis Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 3(3), 377–382. https://doi.org/10.29207/resti.v3i3.1118
Abbas, A. K., Salih, A. K., Hussein, H. A., Hussein, Q. M., & Abdulwahhab, S. A. (2020). Twitter Sentiment Analysis Using an Ensemble Majority Vote Classifier. Journal of Southwest Jiaotong University, 55(1), 1–7. https://doi.org/10.35741/issn.0258-2724.55.1.9
Abdulloh, N., & Hidayatullah, A. F. (2019). Deteksi Cyberbullying pada Cuitan Media Sosial Twitter. Automata, Vol 1(1), 1–5.
Andreyestha, A., & Subekti, A. (2020). Analisa Sentiment Pada Ulasan Film Dengan Optimasi Ensemble Learning. Jurnal Informatika, 7(1), 15–23. https://doi.org/10.31311/ji.v7i1.6171
Ankit, & Saleena, N. (2018). An Ensemble Classification System for Twitter Sentiment Analysis. Procedia Computer Science, 132(Iccids), 937–946. https://doi.org/10.1016/j.procs.2018.05.109
Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter. Integer Journal Maret, 1(1), 32–41. Retrieved from https://www.researchgate.net/profile/Ghulam_Buntoro/publication/316617194_Analisis_Sentimen_Calon_Gubernur_DKI_Jakarta_2017_Di_Twitter/links/5907eee44585152d2e9ff992/Analisis-Sentimen-Calon-Gubernur-DKI-Jakarta-2017-Di-Twitter.pdf
Chandani, V., Komputer, F. I., & Nuswantoro, U. D. (2015). Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film. Journal of Intelligent Systems, 1(1), 56–60.
Gata, W. (2017). Akurasi Text Mining Menggunakan Algoritma K-Nearest
60
Neighbour pada Data Content Berita SMS, 6, 1–13.
Gomes, H. M., Barddal, J. P., Enembreck, A. F., & Bifet, A. (2017). A survey on ensemble learning for data stream classification. ACM Computing Surveys, 50(2). https://doi.org/10.1145/3054925
Hadna, M. S., Santosa, P. I., & Winarno, W. W. (2016). Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen Di Twitter. Seminar Nasional Teknologi Informasi Dan Komunikasi, 2016(Sentika), 57–64. Retrieved from https://fti.uajy.ac.id/sentika/publikasi/makalah/2016/95.pdf
Hasan, F. N. (2018). Fuad Nur Hasan, Mochamad Wahyudi, 3(1), 430–439.
Hermanto, H., Kuntoro, A. Y., Asra, T., Nurajijah, N., Effendi, L., & Ocanitra, R. (2020). Sentiment Analysis on Gojek and Grab User Reviews Using Svm Algorithm Based on Particle Swarm Optimization. Jurnal Pilar Nusa Mandiri, 16(1), 117–122. https://doi.org/10.33480/pilar.v16i1.1304
Ibrahim, D. (2017). Analisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan. Senit, (September), 15–17.
Ilham, M., Rohman, N., & Mariyah, S. (2019). Public Response Analysis toward Poverty Reduction Program in Indonesia 2014-2018 through Twitter Data, (June), 67–84. https://doi.org/10.34818/JDSA.2019.2.34
Katsarou, K., & Shekhawat, D. S. (2019). CRD-sentense: Cross-domain sentiment analysis using an ensemble model. 11th International Conference on Management of Digital EcoSystems, MEDES 2019, 88–94. https://doi.org/10.1145/3297662.3365808
Lim, N. J. S., & Durrant, R. J. (2020). A Diversity-aware Model for Majority Vote Ensemble Accuracy. 23rd International Conference on Artificial Intelligence and Statistics (AISTATS 2020).
Lior Rokach, O. M. (1393). Data Mining With Decision tress.
Livieris, I. E., Kanavos, A., Tampakas, V., & Pintelas, P. (2019). A weighted voting ensemble self-labeled algorithm for the detection of lung abnormalities from X-rays. Algorithms, 12(3), 1–15. https://doi.org/10.3390/A12030064
Marchiori, M. (2020). COVID-19 and the Social Distancing Paradox: dangers and
61
solutions, 1–8. Retrieved from http://arxiv.org/abs/2005.12446
Miharja, J., Putra, J. L., & Hadianto, N. (2020). Comparison of Machine Learning Classification Algorithm on Hotel Review Sentiment Analysis (Case Study: Luminor Hotel Pecenongan). Jurnal Pilar Nusa Mandiri, 16(1), 59–64. https://doi.org/10.33480/pilar.v16i1.1131
Mukminin, A., & Riana, D. (2017). Komparasi Algoritma C4 . 5 , Naïve Bayes Dan Neural Network Untuk Klasifikasi Tanah. Jurnal Informatika, 4(1), 21–31. Retrieved from https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/1002
Nguyen-Thanh, T., & Tran, G. T. C. (2019). Vietnamese sentiment analysis for hotel review based on overfitting training and ensemble learning. ACM International Conference Proceeding Series, 147–153. https://doi.org/10.1145/3368926.3369675
Noor, I. M., & Turan, M. (2020). Sentiment Analysis on New Currency in Kenya using Twitter Dataset. IJID (International Journal on Informatics for Development), 8(2), 81. https://doi.org/10.14421/ijid.2019.08206
Nurjanah, W. E., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(12), 1750–1757. https://doi.org/10.1074/jbc.M209498200
Onno W.Purbo.2019. Text Mining Analisi Medsos dan kekuatan Brand. ISBN : 978-979-29-9518-3. Jakarta:Andi Publisher
Pastor, C. K. L. (2020). Sentiment analysis of Filipinos and effects of extreme community quarantine due to coronavirus (COVID-19) Pandemic. Journal of Critical Reviews, 7(7), 91–95. https://doi.org/10.31838/jcr.07.07.15
Raharjo, A. B., & Quafafou, M. (2015). Penggabungan Keputusan Pada Klasifikasi Multi-Label. JUTI: Jurnal Ilmiah Teknologi Informasi, 13(1), 12. https://doi.org/10.12962/j24068535.v13i1.a384
Rokach, Lior dan Oded Maimon.2015. Data mining With Decision Trees Theory and Applications 2nd Edition. America : World Scientific Publishing
62
Saputra, D., Pratama, B., Akbar, Y., SPOT, W. G.-C. O., & 2018, undefined. (2018). Penerapan Text Mining Untuk Assingment Complaint Handling Customer Terhadap Divisi Terkait Menggunakan Metode Decission. Jurnal.Stikomcki.Ac.Id, 11(2), 207–216. Retrieved from http://jurnal.stikomcki.ac.id/index.php/cos/article/view/52
Suyanto. 2017. Data mining Untuk Klasifikasi Dan Klasterisasi Data.Bandung:Informatika Bandung
Tansa Trisna Astono Putri, Mhd. Dominique Mendoza, M. F. A. (2019). Jurnal Mantik. Jurnal Mantik, 3(January), 31–38.
Taufik, A. (2018). Komparasi Algoritma Text Mining Untuk Klasifikasi Review Hotel. Jurnal Teknik Komputer AMIK BSI (JTK), IV(2), 69–74. https://doi.org/10.31294/jtk.v4i2.3461
Wahono, R. S., Herman, N. S., & Ahmad, S. (2014). A comparison framework of classification models for software defect prediction. Advanced Science Letters, 20(10–12), 1945–1950. https://doi.org/10.1166/asl.2014.5640
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 Technology, 91(1), 189–201.
Wardhani, E. D., Areka, S. K., Nugroho, A. W., Zakaria, A. R., Prakasa, A. D., & Nooraeni, R. (2020). Sentiment Analysis Using Twitter Data Regarding BPJS Cost Increase and Its Effect on Health Sector Stock Prices. Indonesian Journal of Artificial Intelligence and Data Mining, 3(1), 1. https://doi.org/10.24014/ijaidm.v3i1.8245
Wardhani, N. K., Rezkiani, Kurniawan, S., Setiawan, H., Gata, G., Tohari, S., … Wahyudi, M. (2018). Sentiment analysis article news coordinator minister of maritime affairs using algorithm naive bayes and support vector machine with particle swarm optimization. Journal of Theoretical and Applied Information Technology, 96(24), 8365–8378.