Analisis Sentimen Seputar UU ITE Menggunakan Algoritma Support Vector Machine
Abstract
Abstract
Sentiment analysis of twitter tweets from the Indonesian people can be used as one of the parameters to be a support for the government in evaluating decision making and policies in the future. This study aims to find out the sentiments of Indonesian people's tweets on Twitter about the Information and Electronic Transaction Law. The data material used in this study uses a query on the Information and Electronic Transaction Law, Hate Speech, Defamation, Online Fraud, and Data Theft. The test is carried out by calculating accuracy, precision, recall and F1-score, using a variety of training data and test data. The highest accuracy results were obtained from the composition of 90% training data and 10% test data with an accuracy value of 84% with an average precision of 84%, recall 65%, f1-score 71% for each sentiment class.
Keywords: Sentiment Analysis, Support Vector Machine Algorithm, Community Tweet
Abstrak
Analisis Sentimen cuitan twitter dari masyarakat Indonesia dapat dijadikan sebagai salah satu parameter untuk menjadi penunjang bagi pemerintah dalam mengevaluasi pengambilan keputusan dan kebijakan di masa yang akan datang. Penelitian ini bertujuan untuk mengetahui sentimen dari cuitan masyarakat Indonesia di twitter seputar Undang-Undang Informasi dan Transaksi Elektronik. Bahan data yang digunakan dalam penelitian ini menggunakan query Undang-Undang Informasi dan Transaksi Elektronik, Ujaran Kebencian, pencemaran nama baik, Penipuan Online, dan Pencurian data. Pengujian dilakukan dengan perhitungan akurasi, precision, recall dan F1-score, dengan menggunakan variatif data latih dan data uji. Hasil akurasi tertinggi didapatkan dari komposisi data latih 90% dan data uji 10% dengan nilai akurasi 84% dengan rata-rata precision 84%, recall 65%, f1-score 71% tiap kelas sentimen.
Kata Kunci: Analisis Sentimen, Algoritma Support Vector Machine, Cuitan Masyarakat
References
Erfina and Y. H. Putra, “Irony Sentence Detection Techniques Using Fuzzy Historical Classifier,” IOP Conf. Ser. Mater. Sci. Eng., 2019, 662(6).
Admin DSLA, “UU ITE: Pasal-pasal dan Mereka yang Terjerat,” 2020. https://www.dslalawfirm.com/uu-ite/ (accessed Feb. 26, 2021).
Agustin Setyo Wardani, “Alasan Pemerintah Revisi UU ITE,” 2016. https://www.liputan6.com/tekno/read/2664146/alasan-pemerintah-revisi-uu-ite (accessed Feb. 24, 2021).
Arsi, P., & Waluyo, R. Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi Dan Ilmu Komputer, 2021, 8(1): 147-155.
CNN Indonesia, “Angin Kencang Revisi UU ITE dari Jokowi hingga Mahfud MD,” 2021. https://www.cnnindonesia.com/nasional/20210216075242-32-606680/angin-kencang-revisi-uu-ite-dari-jokowi-hingga-mahfud-md (accessed Feb. 24, 2021).
Himawan, R. D., & Eliyani, E. Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa Pandemi. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 2021, 7(1): 58-63.
Isnain, A. R., Sakti, A. I., Alita, D., & Marga, N. S. SENTIMEN ANALISIS PUBLIK TERHADAP KEBIJAKAN LOCKDOWN PEMERINTAH JAKARTA MENGGUNAKAN ALGORITMA SVM. Jurnal Data Mining Dan Sistem Informasi, 2021, 2(1): 31-37.
Katadata.com, “10 Media Sosial yang Paling Sering Digunakan di Indonesia,” 2020. https://databoks.katadata.co.id/datapublish/2020/02/26/10-media-sosial-yang-paling-sering-digunakan-di-indonesia# (accessed Feb. 21, 2021).
Kurniawan, T. “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Media Mainstream Menggunakan Naïve Bayes Classifier Dan Support Vector Machine,” Institut Teknologi Sepuluh Nopember, 2017.
Maisarah, M., Ayu, “SISTEM ANALISIS SENTIMEN PADA FANPAGE FACEBOOK KANDIDAT PRESIDEN 2019-2024,” Universitas Sumatera Utara, 2020.
Melita, R. Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim) (Bachelor's thesis, Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta), 2018
Melita, R. Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim) J. Tek. Inform., 2018, 11(2): 149–164.
Rahutomo, F., Saputra, P. Y., & Fidyawan, M. A . Implementasi Twitter Sentiment Analysis Untuk Review Film Menggunakan Algoritma Support Vector Machine. Jurnal Informatika Polinema, 2018, 4(2): 93-93.
Ruliah, R. Klasifikasi Stadium Trophozoite, Schizonts, Gametocyter pada Sediaan Darah Plasmodium Falciparum dengan Pendekatan Support Vector Machine. Progresif: Jurnal Ilmiah Komputer, 2015, 6(2): 641-686
S. Falentino and A. Erfina, BAHASA ULAR UNTUK PEMROGRAMAN PYTHON. indonesia: Insan Cendekia Mandiri, 2020, 2020.
Sari, D. I., Wati, Y. F., & Widiastuti, W. W. ANALISIS SENTIMEN DAN KLASIFIKASI TWEETS BERBAHASA INDONESIA TERHADAP TRANSPORTASI UMUM MRT JAKARTA MENGGUNAKAN NAÏVE BAYES CLASSIFIER. Jurnal Ilmiah Informatika Komputer, 2020, 25(1): 64-75.
Shopee, P.E., Watmah, S. Komparasi Metode K-NN , Support Vector Machine , Dan Random Forest, 2021, 2(1): 15–21
Wahyudin, F.A.I. Eneng Tita Tosida, Teori dan Panduan Praktis Data Science dan Big Data, I. indonesia: Lembaga Penelitian dan Pengabdian pada Masyarakat Universitas Pakuan, 2019.
How To Cite This :
Refbacks
- There are currently no refbacks.
