ANALISIS CALON BUPATI SLEMAN PADA PILKADA 2024 DENGAN MENGGUNAKAN NATURAL LANGUAGE PROCESSING DAN FUZZY LOGIC
DOI:
https://doi.org/10.36595/jire.v7i2.1307Keywords:
Sentimen, NLP, fuzzy logic, textblobAbstract
Munculnya nama-nama baru yang akan mengikuti bursa calon bupati Sleman dan bersaing dengan petahana menjadi trending topik di kalangan masyarakat salah satunya di sosial media twitter (X).Selama ini penilaian sentimen hanya dibagi kedalam tiga kategori yaitu positif, netral dan negatif. Fuzzy logic dapat digunakan untuk menentukan lebih dari 3 sentimen. Pada penelitian ini akan mengkolaborasikan library Textblob dengan Fuzzy Logic. Dengan mengambil nilai polarity yang dihasilkan dari library Textblob, selanjutnya akan diolah dengan menggunakan metode fuzzy untuk mendapatkan hasil kedalam 7 sentimen yaitu positif kuat, positif, positif lemah, netral, negatif lemah, negatif dan negatif kuat. Model akan dikembangkan menggunakan machine learning, dengan algoritma Support Vector Machines (SVM) untuk mengidentifikasi dan mengklasifikasikan ulasan ke dalam kategori sentimen yang sesuai. Selanjutnya, model akan dievaluasi dengan confusion matrix untuk memperoleh nilai parameter seperti accuracy, precision, recall dan f1-score. Hasil dari penelitian ini, menunjukkan peningkatan yang signifikan pada kategori netral sebesar 19,21%. Nilai akurasi rata-rata 70,4% hal ini menunjukkan kinerja sistem cukup baik; Sedangkan pada pengembangan model dengan metode SVM kategori negatif kuat memperoleh nilai presisi tertinggi yaitu 0,79. Pada kategori Positive Lemah model mendapatkan presisi (0,65), recall(0,56) dan f1-score (0,60 ); ini menunjukkan bahwa performa model seimbang.
References
K. Howells and A. Ertugan, “Applying fuzzy logic for sentiment analysis of social media network data in marketing,” Procedia Comput Sci, vol. 120, pp. 664–670, 2017, doi: 10.1016/j.procs.2017.11.293.
M. Umer, I. Ashraf, A. Mehmood, S. Ullah, and G. S. Choi, “Predicting numeric ratings for Google apps using text features and ensemble learning,” ETRI Journal, vol. 43, no. 1, pp. 95–108, 2021, doi: 10.4218/etrij.2019-0443.
S. S. Berutu, H. Budiati, J. Jatmika, and F. Gulo, “Data preprocessing approach for machine learning-based sentiment classification,” Jurnal Infotel, vol. 15, no. 4, pp. 317–325, 2023, doi: 10.20895/infotel.v15i4.1030.
M. Umer et al., “ETCNN: Extra Tree and Convolutional Neural Network-based Ensemble Model for COVID-19 Tweets Sentiment Classification: ETCNN: COVID-19 Tweets Sentiment Classification,” Pattern Recognit Lett, vol. 164, pp. 224–231, 2022, doi: 10.1016/j.patrec.2022.11.012.
E. D. Agustono, D. Sianturi, A. Taufik, and W. Gata, “ANALISIS SENTIMEN TERHADAP WARGA CHINA SAAT PANDEMI DENGANALGORITMATERM FREQUENCY-INVERSE DOCUMENT FREQUENCY DAN SUPPORT VECTOR MACHINE,” Jurnal Informatika dan Rekayasa Elektronik, vol. 3, no. 2, pp. 111–119, 2020.
I. B. K. Manuaba, “A Sentiment Analysis Model for the COVID-19 Vaccine in Indonesia Using Twitter API v2, TextBlob, and Googletrans,” Procedia Comput Sci, vol. 227, pp. 1101–1110, 2023, doi: 10.1016/j.procs.2023.10.621.
P. H. Nehe, S. S. Berutu, and H. Budiati, “Analisis Sentimen Opini Masyarakat Terhadap Presiden Jokowi Sebelum Dan Sesudah Pilpres 2024 Menggunakan Metode Naive Bayes Classification,” Jutisi?: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 1, p. 451, 2024, doi: 10.35889/jutisi.v13i1.1841.
R. Watrianthos, M. Giatman, W. Simatupang, R. Syafriyeti, and N. K. Daulay, “Analisis Sentimen Pembelajaran Campuran Menggunakan Twitter Data,” Jurnal Media Informatika Budidarma, vol. 6, no. 1, p. 166, 2022, doi: 10.30865/mib.v6i1.3383.
M. A. Amrustian, W. Widayat, and A. M. Wirawan, “Analisis Sentimen Evaluasi Terhadap Pengajaran Dosen di Perguruan Tinggi Menggunakan Metode LSTM,” Jurnal Media Informatika Budidarma, vol. 6, no. 1, p. 535, 2022, doi: 10.30865/mib.v6i1.3527.
B. Laurensz and Eko Sediyono, “Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 10, no. 2, pp. 118–123, 2021, doi: 10.22146/jnteti.v10i2.1421.
A. L. D. tavares Duarte and Eddy Nurraharjo, “Analisis Sentimen Dan Klasifikasi Tweet Terkait Naiknya Kasus Omicron Menggunakan Naive Bayes Classifier,” Jurnal Informatika dan Rekayasa Elektronik, vol. 6, no. 1, pp. 1–8, 2023, doi: 10.36595/jire.v6i1.779.
S. Khairunnisa, A. Adiwijaya, and S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” Jurnal Media Informatika Budidarma, vol. 5, no. 2, p. 406, 2021, doi: 10.30865/mib.v5i2.2835.
R. N. Fahmi, N. Nursyifa, and A. Primajaya, “Analisis Sentimen Pengguna Twitter Terhadap Kasus Penembakan Laskar Fpi Oleh Polri Dengan Metode Naive Bayes Classifier,” JIKO (Jurnal Informatika dan Komputer), vol. 5, no. 2, pp. 61–66, 2021, [Online]. Available: https://ejournal.akakom.ac.id/index.php/jiko/article/view/437/0
T. N. Wijaya, R. Indriati, and M. N. Muzaki, “Analisis Sentimen Opini Publik Tentang Undang-Undang Cipta Kerja Pada Twitter,” Jambura Journal of Electrical and Electronics Engineering, vol. 3, no. 2, pp. 78–83, 2021, doi: 10.37905/jjeee.v3i2.10885.
S. S. Berutu, “Text Mining dan Klasifikasi Sentimen Berbasis Naïve Bayes Pada Opini Masyarakat terhadap Makanan Tradisional,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 2, p. 254, 2022, doi: 10.30865/json.v4i2.5138.
A. R. Isnain, A. I. Sakti, D. Alita, and N. S. Marga, “Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma Svm,” Jurnal Data Mining dan Sistem Informasi, vol. 2, no. 1, p. 31, 2021, doi: 10.33365/jdmsi.v2i1.1021.
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.