ANALISIS PERBANDINGAN SENTIMENT DAN PERBINCANGAN NETIZEN TERHADAP TWITTER PASCA PERGANTIAN NAMA

Fariz Herlando
Achmad Rizal Dzikrillah
Farhan Nufairi
Estu Sinduningrum
Muchammad Sholeh


DOI: https://doi.org/10.29100/jipi.v9i1.4934

Abstract


Twitter adalah media sosial yang dimanfaatkan sebagai tempat penyebaran pandangan terhadap suatu topic. Penelitian ini bertujuan untuk mengetahui hasil sentimentt positive dan negative, serta mengetahui hasil topic pembahasan apa saja yang dibahas oleh para penggunanya. Desain pada penelitian ini mempunyai lima tahapan, tahapan yang pertama yaitu pengumpulan data, preprocessing data, analisis perbandingan, klasifikasi, dan kesimpulan. Data yang diambil berasal dari ulasan aplikasi Twitter itu sendiri pada Google Play Store sebanyak 2000 data. Latent Dirichlet Allocion adalah metode yang akan digunakan pada penelitian ini, menghasilkan topic-topic apa saja yang banyak dibahas oleh para penggunanya. Berdasarkan hasil penelitian yang telah dilakukan, menghasilkan bahwa akibat perubahan nama dan logo pada Twitter terjadi penurunan pada sentimentt positive yaitu dari 655 menjadi 596 sedangkan terjadi kenaikan pada sentiment negative dari 345 menjadi 404, dari hasil sentimentt yang didapatkan para pengguna cenderung kecewa akan perubahan yang dilakukan oleh pemilik Twitter itu sendiri, serta hasil pada metode Latent Dirichlet Allocation menunjukkan bahwa topic terbaik yang paling banyak dibicarakan para pengguna adalah topic ke-5, dibuktikan bahwa nilai topic coherency yang tertinggi bernilai 0.61 yang berisi kata-kata penyusunnya adalah "enggak", "sekarang", "dulu", "bisa", "kagak", "ini", "malah", "lagi", "Twitter", "sudah".

Keywords


Analisis Perbandingan , Media Sosial, Latent Dirichlet Allocation, Twitter.

Full Text:

PDF

Article Metrics :

References


S. R. I. Rezeki, Y. Restiviani, and R. Zahara, “Penggunaan Sosial Media Twitter dalam Komunikasi Organisasi (Studi Kasus Pemerintah Provinsi DKI Jakarta dalam Penanganan Covid-19),” J. Islam. Law Stud., vol. 4, no. 2, pp. 63–78, 2020, [Online]. Available: http://jurnal.uin-antasari.ac.id/index.php/jils/

A. S. Cahyono, Fikih Media Sosial Di Indonesia, vol. 5, no. 2. 2020. doi: 10.32923/asy.v5i2.1586.

S. Everlin and Y. Erlyana, “Analisis Perubahan Desain Logo Gojek Tahun 2019,” DESKOMVIS J. Ilm. Desain Komun. Vis. Seni Rupa dan Media, vol. 1, no. 1, pp. 72–88, 2020, doi: 10.38010/dkv.v1i1.11.

Sensor Tower, “Bersumber secara Bertanggung Jawab Data”, [Online]. Available: https://sensortower.com/responsibly-sourced-data

L. A. Abdillah, Peranan Media Sosial Modern. 2022. [Online]. Available: www.bening-mediapublishing.com

A. Karami, M. Lundy, F. Webb, and Y. K. Dwivedi, “Twitter and Research: A Systematic Literature Review through Text Mining,” IEEE Access, vol. 8, no. 1, pp. 67698–67717, 2020, doi: 10.1109/ACCESS.2020.2983656.

M. Rossetti, F. Stella, and M. Zanker, “Analyzing User Reviews in Tourism With Topic Models,” Inf. Technol. Tour., vol. 16, no. 1, pp. 1–18, 2016, doi: 10.1007/s40558-015-0035-y.

C. Naury, D. H. Fudholi, and A. F. Hidayatullah, “Topic Modelling pada Sentimen Terhadap Headline Berita Online Berbahasa Indonesia Menggunakan LDA dan LSTM,” J. Media Inform. Budidarma, vol. 5, no. 1, pp. 24–33, 2021, doi: 10.30865/mib.v5i1.2556.

A. Alamsyah, W. Rizkika, D. D. A. Nugroho, F. Renaldi, and S. Saadah, “Dynamic Large Scale Data on Twitter Using Sentiment Analysis and Topic Modeling,” Int. Conf. Inf. Commun. Technol. ICoICT 2018, vol. 1, no. 1, pp. 1–6, 2018, doi: 10.1109/ICoICT.2018.8528776.

BINUS University, “Latent Dirichlet Allocation (LDA).” https://socs.binus.ac.id/2018/11/29/latent-dirichlet-allocation-lda/

A. I. Alfanzar, K. Khalid, and I. S. Rozas, “Topic Modelling Skripsi Menggunakan Metode Latent Diriclhet Allocation,” JSiI (Jurnal Sist. Informasi), vol. 7, no. 1, p. 7, 2019, doi: 10.30656/jsii.v7i1.2036.

Y. Azhar, “Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia,” J. Nas. Pendidik. Tek. Inform., vol. 6, no. 3, pp. 237–243, 2017.

M. Taboada, J. Brooke, and K. Voll, “Lexicon-Based Methods for Sentiment Analysis,” Comput. Linguist., vol. 37, no. 2, pp. 267–307, 2011, [Online]. Available: https://www.proquest.com/docview/896181231/C4F09CD9F4A6440APQ/13?accountid=13827

F. M. Matulatuwa, E. Sediyono, and A. Iriani, “Text Mining dengan Metode Lexicon Based untuk Sentiment Analysis Pelayanan PT. Pos Indonesia Melalui Media Sosial Twitter,” J. Masy. Inform. Indones., vol. 2, no. 3, pp. 1–13, 2017.

A. L. D. tavares Duarte and Eddy Nurraharjo, “Analisis Sentimen Dan Klasifikasi Tweet Terkait Naiknya Kasus Omicron Menggunakan Naive Bayes Classifier,” J. Inform. dan Rekayasa Elektron., vol. 6, no. 1, pp. 1–8, 2023, doi: 10.36595/jire.v6i1.779.

N. L. P. M. Putu, Ahmad Zuli Amrullah, and Ismarmiaty, “Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 123–131, 2021, doi: 10.29207/resti.v5i1.2587.

D. R. Aditya, E. Supriyati, and T. Listyorini, “Analisis Sentimen Pengguna Twitter Terhadap Rokok Elektrik (Vape) Di Indonesia Menggunakan Metode Naïve Bayes,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 1, pp. 43–50, 2022, doi: 10.29100/jipi.v7i1.2145.

D. R. Kusuma, S. Syofian, and L. N. Afifa, “Analisis Sentimen Tanggapan Pelanggan Indihome di Platform Sosial Media Facebook dan Twitter Menggunakan Support Vector Mesin dan Pendekatan Klasifikasi Naïve Bayes,” vol. XIII, no. 1, pp. 124–133, 2023.

L. B. Ilmawan and M. A. Mude, “Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store,” Ilk. J. Ilm., vol. 12, no. 2, pp. 154–161, 2020, doi: 10.33096/ilkom.v12i2.597.154-161.

Friska Aditia Indriyani, Ahmad Fauzi, and Sutan Faisal, “Analisis Sentimen Aplikasi Tiktok Menggunakan Algoritma Naïve Bayes dan Support Vector Machine,” TEKNOSAINS J. Sains, Teknol. dan Inform., vol. 10, no. 2, pp. 176–184, 2023, doi: 10.37373/tekno.v10i2.419.

A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” J. Teknoinfo, vol. 14, no. 2, p. 115, 2020, doi: 10.33365/jti.v14i2.679.

F. Novianti, K. Rizky, and N. Wardani, “Analisis Sentimen Masyarakat Terhadap Data Tweet Traveloka Selama Rapid Test Antigen Menggunakan Algoritma Naïve Bayes,” vol. 8, no. 3, pp. 922–933, 2023.

Ananda Kusumawardana, “Stopwords Bahasa Indonesia Karya Ananda Kusumawardana,” Universitas Kristen Duta Wacana Yogyakarta, 2020. https://www.ukdw.ac.id/stopwords-bahasa-indonesia-karya-ananda-kusumawardana/

R. Maulana, A. Voutama, and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi MyPertamina pada Google Play Store menggunakan Algoritma NBC,” J. Teknol. Terpadu, vol. 9, no. 1, pp. 42–48, 2023, doi: 10.54914/jtt.v9i1.609.

D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional,” J. Tekno Kompak, vol. 15, no. 1, pp. 131–145, 2021, doi: 10.33365/jtk.v15i1.744.

F. F. Rachman and S. Pramana, “Analisis Sentimen Pro dan Kontra Masyarakat Indonesia tentang Vaksin COVID-19 pada Media Sosial Twitter,” Indones. Heal. Inf. Manag. J., vol. 8, no. 2, pp. 100–109, 2020, [Online]. Available: https://inohim.esaunggul.ac.id/index.php/INO/article/view/223/175

J. Garay, R. Yap, and M. J. Sabellano, “An Analysis on The Insights of The Anti-vaccine Movement From Social Media Posts Using K-means Clustering Algorithm and Vader Sentiment Analyzer,” IOP Conf. Ser. Mater. Sci. Eng., vol. 482, no. 1, pp. 1–6, 2019, doi: 10.1088/1757-899X/482/1/012043.

S. Kurniawan, W. Gata, D. A. Puspitawati, N. -, M. Tabrani, and K. Novel, “Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 176–183, 2019, doi: 10.29207/resti.v3i2.935.

A. Rahmawati, N. L. Nikmah, R. D. A. Perwira, and N. A. Rakhmawati, “Analisis Topik Konten Channel YouTube K-pop Indonesia Menggunakan Latent Dirichlet Allocation,” Teknol. J. Ilm. Sist. Inf., vol. 11, no. 1, pp. 16–25, 2021, doi: 10.26594/teknologi.v11i1.2155.

K. B. Putra and R. P. Kusumawardani, “Analisis Topik Informasi Publik Media Sosial di Surabaya Menggunakan Pemodelan Latent Dirichlet Allocation (LDA),” J. Tek. ITS, vol. 6, no. 2, pp. 4–9, 2017, doi: 10.12962/j23373539.v6i2.23205.

Alyssa Wisdom, “Topic Modeling,” 2017. https://medium.com/square-corner-blog/topic-modeling-optimizing-for-human-interpretability-48a81f6ce0ed