KINERJA AUTO LABELLING PADA ANALISIS SENTIMEN TERHADAP PASANGAN CALON PRESIDEN 2024 DI MEDIA SOSIAL X
DOI:
https://doi.org/10.31328/ciastech.v6i1.5354Keywords:
Vader, TextBlob, Auto Labelling, Twitter, Pilpres 2024Abstract
Di era pasca Covid-19 pemanfaatan platform X telah meningkat pesat dan memainkan peran penting sebagai sumber opini publik. Media sosial memungkinkan individu untuk menyatakan pendapat mereka tentang peristiwa terkini. Respons positif terhadap demokrasi dan kebebasan berekspresi telah terlihat dalam penggunaan platform ini. Banyak individu menggunakan Twitter untuk menyampaikan sudut pandang dan komentar, Termasuk dalam konteks politik khususnya pada masa menjelang Pemilihan Presiden dan Wakil Presiden Indonesia 2024. Penelitian ini menekankan tantangan dalam menganalisis sentimen dalam tweet berbahasa Indonesia dan menyoroti penggunaan algoritma pembelajaran mesin untuk analisis sentimen. Penelitian ini menggunakan teknik web scraping untuk mengumpulkan data dari platform media sosial dan menerapkan metode preprocessing untuk membersihkan dan mengatur data. Ekstraksi fitur dilakukan menggunakan metode TF-IDF dan kombinasi Unigram, Bigram, dan Trigram (UniBiTri). Pendekatan Auto Labelling digunakan dengan algoritma VADER dan TextBlob, diikuti oleh klasifikasi SVM dengan mempertimbangkan rasio data latih dan data uji serta pengujian dengan berbagai kernel. Evaluasi dilakukan melalui confusion matrix dan laporan klasifikasi untuk menilai kinerja model. Temuan menunjukkan bahwa kinerja Auto Labelling TextBlob melampaui VADER, mencapai akurasi maksimum 99,33%, Precision 99,35%, dan recall 99,33%.References
Y. Zhang, F. Chen, and K. Rohe, “Social Media Public Opinion as Flocks in a Murmuration: Conceptualizing and Measuring Opinion Expression on Social Media,†Journal of Computer-Mediated Communication, vol. 27, no. 1, p. zmab021, Jan. 2022, doi: 10.1093/jcmc/zmab021.
H. Lawelai, A. Sadat, and A. Suherman, “DEMOCRACY AND FREEDOM OF OPINION IN SOCIAL MEDIA: SENTIMENT ANALYSIS ON TWITTER,†PRAJA: Jurnal Ilmiah Pemerintahan, vol. 10, no. 1, Art. no. 1, Feb. 2022, doi: 10.55678/prj.v10i1.585.
M. A. Beg and D. Jadon, “Opinion Mining from Social Media,†IJRASET, vol. 10, no. 5, pp. 3643–3647, May 2022, doi: 10.22214/ijraset.2022.43233.
M. Marpaung and F. Humida, “ANALISIS SENTIMEN OPINI MASYARAKAT INDONESIA MENGENAI CALON GUBERNUR DKI JAKARTA 2017 MENGGUNAKAN NAÃVE BAYES CLASSIFIER,†s1, UAJY, 2017. Accessed: Nov. 19, 2023. [Online]. Available: http://e-journal.uajy.ac.id/11785/
S. N. J. Fitriyyah, N. Safriadi, and E. E. Pratama, “Analisis Sentimen Calon Presiden Indonesia 2019 dari Media Sosial Twitter Menggunakan Metode Naive Bayes,†JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 5, no. 3, pp. 279–285, Dec. 2019, doi: 10.26418/jp.v5i3.34368.
A. F. Sabily, P. P. Adikara, and M. A. Fauzi, “Analisis Sentimen Pemilihan Presiden 2019 pada Twitter menggunakan Metode Maximum Entropy,†2019.
R. Rinaldo, A. P. Sari, and E. Fardiana, “DIGITAL OPINION #PUANADALAHHARAPAN DI MEDIA SOSIAL TWITTER MENGGUNAKAN SOCIAL NETWORK ANALYSIS,†Jurnal Ilmiah Multidisiplin, vol. 2, no. 01, Art. no. 01, Jan. 2023, doi: 10.56127/jukim.v2i01.407.
S. S. Arumugam, “Development of argument based Opinion Mining model with sentimental data analysis from Twitter content,†Concurrency and Computation: Practice and Experience, vol. 34, no. 15, p. e6956, 2022, doi: 10.1002/cpe.6956.
A. F. Hidayatullah, S. Cahyaningtyas, and A. M. Hakim, “Sentiment Analysis on Twitter using Neural Network: Indonesian Presidential Election 2019 Dataset,†IOP Conf. Ser.: Mater. Sci. Eng., vol. 1077, no. 1, p. 012001, Feb. 2021, doi: 10.1088/1757-899X/1077/1/012001.
R. Maskat, M. Faizzuddin Zainal, N. Ismail, N. Ardi, A. Ahmad, and N. Daud, “Automatic Labelling of Malay Cyberbullying Twitter Corpus using Combinations of Sentiment, Emotion and Toxicity Polarities,†in 2020 3rd International Conference on Algorithms, Computing and Artificial Intelligence, Sanya China: ACM, Dec. 2020, pp. 1–6. doi: 10.1145/3446132.3446412.
S. Biswas, K. Young, and J. Griffith, “A Comparison of Automatic Labelling Approaches for Sentiment Analysis:,†in Proceedings of the 11th International Conference on Data science, Technology and Applications, Lisbon, Portugal: SCITEPRESS - Science and Technology Publications, 2022, pp. 312–319. doi: 10.5220/0011265900003269.
G. Buntoro, R. Arifin, G. Syaifuddiin, A. Selamat, O. Krejcar, and F. Hamido, “THE IMPLEMENTATION OF THE MACHINE LEARNING ALGORITHM FOR THE SENTIMENT ANALYSIS OF INDONESIA’S 2019 PRESIDENTIAL ELECTION,†IIUMEJ, vol. 22, no. 1, pp. 78–92, Jan. 2021, doi: 10.31436/iiumej.v22i1.1532.
V. O. Tama, Y. Sibaroni, and Adiwijaya, “Labeling Analysis in the Classification of Product Review Sentiments by using Multinomial Naive Bayes Algorithm,†J. Phys.: Conf. Ser., vol. 1192, p. 012036, Mar. 2019, doi: 10.1088/1742-6596/1192/1/012036.
U. Mehta and D. D. Verma, “Sentiment Analysis of Facebook Using TextBlob and Vader,†vol. 4, p. 5, 2021.
D. T. Lukmana, S. Subanti, and Y. Susanti, “ANALISIS SENTIMEN TERHADAP CALON PRESIDEN 2019 DENGAN SUPPORT VECTOR MACHINE DI TWITTER,†Seminar & Conference Proceedings of UMT, no. 0, Art. no. 0, Jun. 2019, doi: 10.31000/cpu.v0i0.1693.
W. H. Silitonga and J. I. Sihotang, “Analisis Sentimen Pemilihan Presiden Indonesia Tahun 2019 Di Twitter Berdasarkan Geolocation Menggunakan Metode Naïve Bayesian Classification,†TeIKa, vol. 9, no. 02, pp. 115–127, Oct. 2019, doi: 10.36342/teika.v9i02.2199.
A. R. Abdillah and F. N. Hasan, “Analisis Sentimen Terhadap Kandidat Calon Presiden Berdasarkan Tweets Di Sosial Media Menggunakan Naive Bayes Classifier,†SMATIKA, vol. 13, no. 01, pp. 117–130, Jul. 2023, doi: 10.32664/smatika.v13i01.750.
A. Khare, A. Gangwar, S. Singh, and S. Prakash, “Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets,†ArXiv, Jan. 2022, Accessed: Nov. 06, 2023. [Online]. Available: https://www.semanticscholar.org/paper/Sentiment-Analysis-and-Sarcasm-Detection-of-Indian-Khare-Gangwar/583f7a31ce1df0d3c974b9a19a6a249248463070
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,†IJAS, vol. 2, no. 1, p. 34, Jul. 2019, doi: 10.13057/ijas.v2i1.29998.
E. B. Santoso and A. Nugroho, “Analisis Sentimen Calon Presiden Indonesia 2019 Berdasarkan Komentar Publik Di Facebook,†Jurnal Eksplora Informatika, vol. 9, no. 1, pp. 60–69, Sep. 2019, doi: 10.30864/eksplora.v9i1.254.
C. Humam and A. D. Laksito, “Implementasi Aplikasi Sentimen Pada Data Twitter Jelang Pemilu 2024,†JPIT, vol. 8, no. 2, pp. 105–112, May 2023, doi: 10.30591/jpit.v8i2.5051.
H. N. Chaudhry et al., “Sentiment Analysis of before and after Elections: Twitter Data of U.S. Election 2020,†Electronics, vol. 10, no. 17, p. 2082, Aug. 2021, doi: 10.3390/electronics10172082.
N. Hayatin, G. I. Marthasari, and L. Nuraini, “Optimization of Sentiment Analysis for Indonesian Presidential Election using Naïve Bayes and Particle Swarm Optimization,†Jurnal Online Informatika, vol. 5, no. 1.
H. Atsqalani, N. Hayatin, and C. S. K. Aditya, “Sentiment Analysis from Indonesian Twitter Data Using Support Vector Machine And Query Expansion Ranking,†join, vol. 7, no. 1, p. 116, Jun. 2022, doi: 10.15575/join.v7i1.669.
V. Nurcahyawati and Z. Mustaffa, “Vader Lexicon and Support Vector Machine Algorithm to Detect Customer Sentiment Orientation,†J. Inf. Syst. Eng. Bus. Intell., vol. 9, no. 1, pp. 108–118, Apr. 2023, doi: 10.20473/jisebi.9.1.108-118.
S. W. Iriananda, R. W. Budiawan, A. Y. Rahman, and I. Istiadi, “KINERJA SELEKSI FITUR N-GRAM PADA ANALISIS SENTIMEN ULASAN MOBILE GAME DI GOOGLE PLAYSTORE,†The 5th Conference on Innovation and Application of Science and Technology (CIASTECH), 2022.
P. Singh, N. Singh, K. K. Singh, and A. Singh, “Chapter 5 - Diagnosing of disease using machine learning,†in Machine learning and the Internet of Medical Things in Healthcare, K. K. Singh, M. Elhoseny, A. Singh, and A. A. Elngar, Eds., Academic Press, 2021, pp. 89–111. doi: 10.1016/B978-0-12-821229-5.00003-3.
D. K. Sharma, M. Chatterjee, G. Kaur, and S. Vavilala, “3 - Deep Learning applications for disease diagnosis,†in Deep Learning for Medical Applications with Unique Data, D. Gupta, U. Kose, A. Khanna, and V. E. Balas, Eds., Academic Press, 2022, pp. 31–51. doi: 10.1016/B978-0-12-824145-5.00005-8.
