JURNAL SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER

JURNAL

SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER

Oleh: AGUNG PRAMONO PUTRO 12.1.03.03.0276

Dibimbing oleh : 1. NURSALIM, S.Pd,. MH 2. ARIE NUGROHO, S.Kom., M.M

PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI 2017

Artikel Skripsi Universitas Nusantara PGRI Kediri

AGUNG PRAMONO PUTRO | 12.1.03.03.0276 Fakultas Teknik – Prodi Sistem Informasi

simki.unpkediri.ac.id || 1||


SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER AGUNG PRAMONO PUTRO 12.1.03.03.0276 Fakultas Teknik – Prodi Sistem Informasi Email : [email protected] NURSALIM, S.Pd,. MH ARIE NUGROHO, S.Kom., M.M UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Sentiment analysis atau opinion mining untuk menganalisis opini publik kepada tokoh politik bersasarkan data yang sudah di dapat dari twitter. Penguna twitter sering kali melakukan posting atau tweet tentang pendapat mereka kepada tokoh politik. Oleh sebab itu data tweet dapat digunakan sebagai sumber data untuk menilai sentimen kepada tokoh politik. Permasalahan adalah (1) Bagaimana cara kerja metode Naïve Bayes Classifier dalam mengklasifikasikan teks berbahasa Indonesia ? (2) Bagaimana mengklasifikasikan Sentiment Analysis menggunakan metode Naïve Bayes Classifier ? (3) Bagaimana akuratnya metode Naïve Bayes Classifier dalam melakukan klasifikasi Sentiment Analysis ?. Penelitian ini menggunakan metode Naïve Bayes Classifier untuk melakukan klasifikasi pada twitter untuk menggetahui sutu sentiment atau opinion pada tweet dan dikelompokan menjadi positif , negatif atau netral. Kesimpulan adalah (1) Proses pengklasifikasian metode Naïve Bayes Classifier ada beberapa tahap. Tahap pertama Proses Pembelajaran Naïve Bayes Classifieri tahap kedua Proses Klasifikasi Naïve Bayes Classifieri. (2) Dalam proses mengklasifikasikan Sentiment Analysis Berdasarkan nilai Vmap tersebut kemudian diambil nilai terbesar yang menjadi kategori dari tweet tersebut kelas positif, negatif dan netral. (3) Dalam proses klasifikasi akan semakin akurat tergantung banyaknya data latih dan saat menggunakan data latih positif 100, negatif 100 dan netral 100 dengan menggunakan data test 100 akurasinya 61% dan error 39% dan saat menggunakan data latih positif 700, negatif 700 dan netral 700 dengan menggunakan data test 100 akurasinya 91% dan error 9%. Berdasarkan simpulan direkomendasikan : (1) Diharapkan penelitian berikutnya dapat menggunakan bahasa daerah atau bahasa asing. (2) Diharapkan untuk penelitian berikutnya dapat mengklasifikasi tentang produk atau tentang hal yang lain. (3) Diharapkan untuk penelitian berikutnya mengklasifikasi tweet yang terdapat singkatan.

KATA KUNCI : Sentiment Analysis, Opinion Mining, Naïve Bayes Classifier, Twitter (yaitu,

A. LATAR BELAKANG Text Mining merupakan subjek riset yang tergolong baru. Text Mining dapat memberikan

solusi

dari

pembelajaran

hubungan

antara

entitas). Dalam penelitian ini akan melakukan

permasalahan

proses atau mengkategorikan komentar

seperti pemrosesan, pengorganisasian atau

(tweet) berdasarkan kelas positif, negatif

pengelompokkan

dan netral dalam text mining yang disebut

dan

menganalisa

unstructured text dalam jumlah besar.

sentiment analysis. Sentiment analysis

Proses text mining yang khas meliputi

adalah studi komputasi mengenai sikap,

kategorisasi teks, text clustering, ekstraksi

emosi, pendapat, penilaian, pandangan dari

konsep atau entitas, produksi taksonomi

sekumpulan

granular, sentiment analysis, penyimpulan

mengekstraksi,

dokumen, dan pemodelan relasi entitas

menemukan karakteristik sentimen. Tugas



teks

yang

fokus

pada

mengindentifikasi

atau


dasar dari analisis sentimen itu sendiri

penambahan

adalah mengelompokkan polaritas dari teks

turunan

yang ada dalam dokumen, kalimat dan lain

diantaranya, dan penyisipan subsequent ke

sebagainya,

dalam database), menentukan pola dalam

apakah

pendapat

yang

beberapa

dan

fitur

linguistik

penghilangan

beberapa

dikemukakan dalam dokumen, kalimat

data

tersebut bersifat positif , negatif atau

mengevaluasi dan menginterpretasi output.

netral.

text

Untuk

menentukan

apa

komentar

terstruktur,

mining

juga

dan

dapat

akhirnya

didefinisikan

sebagai proses pengetahuan intensif di

(tweet) tersebut bersifat positif, negatif

mana

pengguna

berinteraksi

dengan

atau netral diperlukan proses klasifikasi.

koleksi dokumen dari waktu ke waktu

Metode yang banyak digunakan untuk

dengan menggunakan seperangkat alat

klasifikasi adalah metode Naive Bayes

analisis.

yaitu Naive Bayes Classifier (NBC).

Pada penelitian ini memerlukan proses

Metode ini merupakan salah satu metode

ektrasi data menjadi data yang siap

yang digunakan pada text mining yang

digunakan. Karena komentar (tweet) pada

sederhana tetapi memiliki keakuratan yang

twitter mengandung beragam jenis data

tinggi dalam mengklasifikasi. Naive Bayes

seperti teks, angka, emoticon, hastag,

Classifikasi (NBC) merupakan metode

mention

yang cepat

klasifikasi.

komentar tersebut memiliki tipe yang

Metode Naive Bayes Classifier (NBC)

komplek. Maka dari itu diperlukan adanya

juga merupakan salah satu metode yang

penanganan yang ekstra pada saat tahap

digunakan untuk menyelesaikan masalah

preprocessing atau tahap persiapan data.

dalam proses

sentiment analysis.

dan

lain-lain

menjadikan

Tahap preprocessing data merupakan

B. METODE PENELITIAN

proses untuk mempersiapkan data mentah

1. Text Mining

sebelum

Text mining adalah proses mengambil

dilakukan

preprocessing

sangat

proses

lain.

penting

dalam

informasi berkualitas tinggi dari teks.

melakukan analisis sentimen, terutama

Informasi

biasanya

untuk media sosial yang sebagian besar

diperoleh melalui peramalan pola dan

berisi kata-kata atau kalimat yang tidak

kecenderungan

seperti

formal dan tidak terstruktur serta memiliki

biasanya

noise yang besar. Preprocessing terdiri

berkualitas

pembelajaran

tinggi

melalui pola

sarana

statistik

melibatkan proses penataan teks input

dari beberapa tahapan:

(biasanya

dengan

tokenizing / parsing, filtering. Berikut



parsing,

bersama

case folding,


adalah

diagram

alir

mengenai

yang

cukup

preprocessing.

menggunakan

2. Sentiment Analysis

Classifier

Sentiment Analysis adalah bidang studi yang

menganalisis

opini

seseorang,

tinggi. metode

adalah

Keuntungan Naïve

metode

ini

Bayes hanya

membutuhkan data penelitian (training data) yang tidak terlalu banyak untuk

sentimen, evaluasi, penilaian, sikap, dan

menentukan

etimasi

parameter

emosi terhadap entitas seperti produk, jasa,

diperlukan dalam proses klasifikasi.

organisasi, individu, masalah, peristiwa,

4. Pengumpulan Data Training

yang

topik, dan atribut mereka. Ini merupakan

Data Latih atau training data yang

ruang masalah besar. Sentiment analysis

digunakan dalam penelitian ini diambil

atau opinion mining mengacu pada bidang

dari

yang luas dari pengolahan bahasa alami,

pencarian tentang pendapat para pengguna

komputasi linguistik dan text mining.

twitter tentang tokoh politik. Data Latih

Secara

untuk

yang didapatkan dengan memanfaatkan

atau

API (Application Programming Interface)

penulis berkenaan dengan topik tertentu.

yang disediakan oleh Twitter. Data Latih

Ada juga banyak nama dan tugas yang

yang diperoleh dari twitter kemudian

sedikit

sentiment

disimpan kedalam Database. Skema dari

opinion

proses pengambilan Tweet dapat dilihat

umum,

menentukan

attitude

berbeda,

analysis,

bertujuan

opinion

pembicara

misalnya, mining,

extraction, sentiment mining, subjectivity

twitter

yang

berdasarkan

hasil

pada gambar 1.

analysis, affect analysis, emotion analysis, Server

review mining, dll.

Mengambil Tweet dari Twitter

3. Naïve Bayes Classifier Naïve Bayes Classifier Sebuah bayes classifier adalah classifier probabilistik

Menyimpan Tweet Ke Database

User

Data base

sederhana berdasarkan penerapan teorema

Gambar 1. Skema proses pengambilan

Bayes (dari statistik Bayesian) dengan

tweet

asumsi independen (naif) yang kuat.

Data yang di ambil dari twitter untuk

Dalam penggunaan metode Naïve Bayes

data training adalah sebanyak 2100 data

Classifier didasarkan karena metode Naïve

tweet. Dimana data yang di ambil adalah

Bayes

Classifier

suatu

metode

yang

data tweet yang mengandung sentimen

mempunyai performansi yang cepat dalam

terhadap tokoh politik untuk data training

proses klasifikasi dan memiliki keakuratan

akan dikategorikan secara manual yang




dilakukan oleh user dan memilih sentimen

melakukan tweet tentang tokoh politik.

yang terkandung di dalam tweet tersebut

User tinggal mencari dengan memasukan

dan menandai tweet tersebut menjadi 3

Keyword tokoh politik mana yang akan di

kategori sentimen yaitu

klasifikasi

tweet yang

mengandung sentimen positif, negatif dan netral.

b. Preprocessing Data Preprocessing merupakan tahapan awal

Tabel 1. Sentiment Tweet Data Training

dalam mengolah data Input sebelum

Jenis Tweet Positif Sentiment Tweet 700 Tentang Tokoh Politik

memasuki

Negatif Netral 700

700

tahapan

utama.

Preprocessing text dilakukan untuk tujuan penyeragaman. Preprocessing terdiri dari beberapa tahapan: case folding, tokenizing

Data Latih yang sudah diperoleh ini akan disimpan dalam

proses

database

yang

nantinya akan digunakan untuk data

/ parsing, filtering, Stemming. Berikut adalah

diagram

alir

mengenai

preprocessing.

training.

Case Folding

5. Desain Sistem Tokenizing

Desain sistem yang akan dibangun dalam penelitian terbagi menjadi beberapa

Filtering

langkah seperti pada gambar 2.

Stemming

New Data

Gambar 3 Preprocessing Preprocessing Data

1) Case Folding Case folding merupakan tahapan yang Trainin g Data

Classification

mengubah semua huruf dalam dokumen menjadi huruf kecil. Hanya huruf „a‟

Hasil Classification

sampai dengan „z‟ yang diterima.

Gambar 2 Diagram Alir Kerja

2) Tokenizing / Parsing

a. Pengambilan Data Baru

Tokenizing / parsing adalah tahap

Pengambilan Data tweet baru Dalam Proses ini dimana user mengambil data dari twitter yang akan di test dengan memanfaatkan Programming memanfaatkan

API

(Application

Interface) pengguna

twitter

pemotongan string Input berdasarkan tiap kata yang menyusunnya. Pada prinsipnya proses ini adalah memisahkan kalimat atau dokumen menjadi kata perkata.

dan yang




1. Proses

3) Filtering Filtering pada tahap ini akan dilakukan pembersihan tweet dari spesial karakter,

Pembelajaran

Naïve

Bayes

Classifier Perhitungan ( )

URL link, username, serta emoticon.

Pada tahap ini melakukan perhitungan

Contoh stopword adalah “yang”, “dan”,

pada setiap kelas yang ada. Rumusnya

“di”, “dari” dan lain – lain.

sebagai berikut:

4) Stemming

( )

Stemming merupakan suatu proses yang terdapat

dalam

sistem

IR

( ) Probalitas kelas yang dimiliki

yang

Jumlah dari kelas yang ada

mentransformasi kata-kata yang terdapat

Jumlah dari data training

dalam suatu dokumen ke kata-kata akarnya (root word) dengan menggunakan aturanaturan tertentu. Stemming kebanyakan digunakan pada teks berbahasa inggris dikarenakan

teks

berbahasa

inggris

memiliki struktur imbuhan yang tetap dan

Perhitungan Tahap

ini

dimana

melakukan

perhitungan pada kata yang terdapat pada data test dan rumusnya adalah sebagai berikut

mudah untuk diolah. Sementara Stemming untuk proses bahasa Indonesia memiliki struktur imbuhan

yang rumit

atau

kompleks sehingga agak lebih sulit untuk diolah. pada penelitian ini proses Stemming menggunakan algoritma porter

Pada tahap tahap klasifikasi ini adalah penetuan

seberapa

adalah kata dalam data test dan

jauh

yang ada. Tahap ini menggunakan sebuah yang disebut

, kelas

yang ada seperti positif, negatif dan netral

kelas : Jumlah data training pada kata : Jumlah semua kata dari

keterhubungan antar kata-kata pada data

algoritma

pada kelas

: Junlah kata yang terdapat pada setipa

c. Classification

tahap

: Probalitas

Naïve Bayes

Classifier. Naïve Bayes Classifier terdiri dari 2 proses dalam proses klasifikasi datanya. Kedua proses itu adalah proses pembelajaran Naïve Bayes Classifier dan proses klasifikasi Naïve Bayes Classifier. AGUNG PRAMONO PUTRO | 12.1.03.03.0276 Fakultas Teknik – Prodi Sistem Informasi

semua kategori 2. Proses

Klasifikasi

Naïve

Bayes

Classifier Secara umum proses ini menentukan kelas dari data test dengan menggunakan rumus sebagai berikut: ∏ simki.unpkediri.ac.id || 4||


d. Hasil Classification Berdasarkan

nilai

Vmap

tersebut

kemudian diambil nilai terbesar yang menjadi kelas dari tweet tersebut. Pada contoh ini didapatkan nilai Vmap positif adalah

nilai

Vmap

yang

Gambar 4. Pengujian Sistem

terbesar

dibandingkan dengan hasil klasifikasi yang lain maka atau oleha karena itu tweet contoh tadi diklasifikasikan sebagai kelas positif. C. HASIL DAN PEMBAHASAN 1. Proses Klasifikasi Berdasarkan

metodologi

penelitian,

Gambar 5. Perhitungan Naïve Bayes Classifier

maka akan dilakukan implementasi sistem klasifikasi sentiment analysis pada twitter dengan

metode

text

mining

yang

menggunakan naïve bayes classifier dalam

Proses klasifikasi adalah proses dimana menetukan sebuah kalimat (tweet) sebagai anggota kelas opini positif, negatif dan berdasarkan

nilai

perhitungan

2. Pengujian Sistem Pada Pengujian Sistem / Testing akan pengujian

terhadap

sistem

sentiment analysis yang berfungsi untuk menggtahui kinerja program dan untuk menggtahui berapa persen (%) error testing

dalam

menggetahui error pada saat melakukan

melakuakn

klasifikasi,

dilakuakan

dengan

menguji data testing pada beberapa kali proses klasifikasi dengan mengunakan data latih 100 sampai 1000 tweet dengan menggunakan 100 tweet untuk testing Tabel 2. Hasil Pengujian

probabilitas Bayes yang lebih besar.

melakukan

Pada pengujian ini dilakuan untuk

proses

proses klasifikasi tweet.

netral

3. Hasil Pengujian

proses

klasifikasi tweet dengan menggunakan 100 tweet untuk data test

Data Latih Data Aku Erro Posit Neg Netr Testin rasi r g if atif al 100 100 100 100 61% 39% 200 200 200 100 70% 30% 300 300 300 100 72% 28% 400 400 400 100 72% 28% 500 500 500 100 77% 23% 600 600 600 100 87% 13% 700 700 700 100 91% 9% Dari tabel hasil pengujian dapat diketahui bahwa metode Naïve Bayes Classifier, semakin banyak data latih yang




digunakan akan semakin tinggi akurasinya.

menggunakan data latih positif 700,

Dapat dilihat dari tabel hasil pengujian

negatif 700 dan netral 700 dengan

tersebut saat menggunakan data latih

menggunakan data test 100 akurasinya

positif 100, negatif 100 dan netral 100

91% dan error 9%.

dengan

menggunakan

data

test

100

2. Saran untuk Tidakan Selanjutnya

akurasinya 61% dan error 39% dan saat

Penulis

menyarankan

menggunakan data latih positif 700, negatif 700 dan netral 700 dengan menggunakan data test 100 akurasinya 91% dan error 9%.

pengembangan

penelitian

lebih

lanjut

sistem pengklasifikasian Tweet sebagai berikut:

D. PENUTUP 1. Dalam

1. Simpulan Kesimpulan

yang

diambil

dari

pembahasan yang telah dikemukakan pada

penelitian

mengklasifikasi Indonesia

ini

hanya

bisa

tweet

berbahasa

diharapkan

penelitian

bab sebelumnya adalah sebagai berikut : 1. Proses pengklasifikasian metode Naïve Bayes Classifier ada beberapa tahap. Tahap pertama Proses Pembelajaran

berikutnya dapat menggunakan bahasa daerah atau bahasa asing seperti bahasa Inggris dan bahasa asing lainnya.

Naïve Bayes Classifieri tahap kedua Proses

Klasifikasi

Naïve

Bayes

penelitian

ini

hanya

bisa

mengklasifikasi sentimen tokoh politik

Classifieri. 2. Dalam

2. Dalam

proses

mengklasifikasikan

diharapkan untuk penelitian berikutnya

Sentiment Analysis Berdasarkan nilai Vmap tersebut kemudian diambil nilai terbesar yang menjadi kategori dari tweet tersebut kelas positif, negatif dan

tidak hanya menggklasifikasi sentimen tokoh politik saja tetapi juga bisa mengklasifikasi tentang produk atau

netral. 3. Dalam proses klasifikasi akan semakin akurat tergantung banyaknya data latih dan saat menggunakan data latih positif

tentang hal yang lain. 3. Dalam

penelitian

ini

hanya

mengklasifikasi teks bahasa Indonesia

100, negatif 100 dan netral 100 dengan menggunakan data test 100 akurasinya 61%

dan

error

39%

dan

saat


baku belum dapat mengklasifikasi tweet yang terdapat singkatan. simki.unpkediri.ac.id || 6||


E. DAFTAR PUSTAKA Liu, Bing. (Ed.). 2012. Sentiment Analysis and Opinion Mining. Graeme Hirst, University of Toronto Retnawiyati, Eka / Fatoni, M.M.,M.Kom., / Surya, Edi Negara, M.Kom. Analisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk. Nurhuda, Faishol / Widya, Sari Sihwi / Doewes, Afrizal. Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier. Fahrur, Imam Rozi / Hadi, Sholeh Pramono / Achmad, Erfan Dahlan. Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi Agusta, Ledy. 2009. Perbandingan Algoritma Stemming Porter Dengan


Algoritma Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa Indonesia. Kini, Mahesh M / Devi, Saroja H / G Desai, Prashant / Chiplunkar, Niranjan. 2016. Text Mining Approach to Classify Technical Research Documents using Naïve Bayes Wayan, Ni Sumartini Saraswati. 2011. Text Mining Dengan Metode Naïve Bayes Classifier Dan Support Vector Machines Untuk Sentiment Analysis. Nomleni, Petrix / Hariadi, Mochamad / Ketut, Eddy, I Purnama Sentiment Analysis Berbasis Big Data. Feldman, Ronen / James, Israel Sanger. 2007. The Text Mining Handbook Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press Mujilahwati, Siti. 2016. Pre-Processing Text Mining Pada Data Twitter. Raschka, Sebastian. 2014. Naive Bayes and Text Classification I


JURNAL SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER

Recommend Documents