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

Authors

  • Anas Faisal STMIK Nusa Mandiri Jakarta
  • Yuris Alkhalifi STMIK Nusa Mandiri Jakarta
  • Achmad Rifai STMIK Nusa Mandiri Jakarta
  • Windu Gata STMIK Nusa Mandiri Jakarta

DOI:

https://doi.org/10.31328/jointecs.v5i2.1362

Keywords:

anggota legislatif, sentimen analisis, support vector machine, naive bayes, particle swarm optimization,

Abstract

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%.

Author Biographies

Anas Faisal, STMIK Nusa Mandiri Jakarta

Program Studi Ilmu Komputer 

Yuris Alkhalifi, STMIK Nusa Mandiri Jakarta

Program Studi Ilmu Komputer 

Achmad Rifai, STMIK Nusa Mandiri Jakarta

Program Studi Ilmu Komputer 

Windu Gata, STMIK Nusa Mandiri Jakarta

Program Studi Ilmu Komputer 

References

S. D. Cahyani, “Media Monitoring (Analisis Media) Di Bagian Media Cetak Dan Media Sosial Dewan Perwakilan Rakyat Republik Indonesia (DPR RI),†Jakarta, 2019.

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].

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.

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.

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.

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.

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.

A. Dhika, P. Wardhani, and I. Slamet, “Analisis Sentimen Penggunaan Kotak Suara Kardus,†pp. 167–174, 2019.

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.

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.

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.

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.

M. Fernández-Gavilanes, T. Ãlvarez-López, J. Juncal-Martínez, E. Costa-Montenegro, and F. Javier González-Castaño, “Unsupervised method for sentiment analysis in online texts,†Expert Syst. Appl., 2016.

A. Giachanou and F. Crestani, “Like it or not: A survey of Twitter sentiment analysis methods,†ACM Comput. Surv., vol. 49, no. 2, 2016.

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.

I. A. El-Khair, “Effects of Stop Words Elimination for Arabic Information Retrieval: A Comparative Study,†pp. 1–15, 2017.

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.

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.

G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,†Integer J. Maret, vol. 1, no. 1, pp. 32–41, 2017.

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.

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.

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.

Downloads

Published

2020-05-30

Issue

Vol. 5 No. 2 (2020)

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

Hak Cipta :

Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:

Hak cipta pada setiap artikel adalah milik penulis.

  1. Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
  2. Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);

Lisensi :

JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.

This work is Under licensed

Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)