SELEKSI DATA MENGGUNAKAN TIME INTERVAL ENTROPY UNTUK ANALISIS SENTIMEN DENGAN METODE SUPPORT VECTOR MACHINE

Kristana Kurnianta
Achmad Solichin


DOI: https://doi.org/10.29100/jipi.v9i3.5460

Abstract


Media sosial dianggap sebagai suatu perangkat penting bagi suatu organisasi dalam berinteraksi dengan para penggunanya. Keberadaan media sosial dapat memungkinkan pengguna untuk berbagi pendapat, ide, dan informasi dalam bentuk pesan atau komentar, termasuk terkait masalah korupsi dan lembaga penegak hukum seperti Komisi Pemberantasan Korupsi (KPK). Data pada media sosial tersebut dapat dimanfaatkan untuk melihat analisis sentimen masyarakat terhadap suatu hal. Salah satu tantangan yang berkaitan dengan media sosial adalah penggunaan bot. Dalam beberapa penelitian analisis sentimen, tahapan verifikasi terhadap tweet yang berasal dari akun bot sering diabaikan. Pendeteksian terhadap bot harus dilakukan agar didapatkan data yang lebih valid sehingga mampu memberikan hasil analisis sentimen yang dapat dipertanggungjawabkan. Tujuan dilakukannya penelitian ini adalah untuk melakukan optimasi data pre-processing pada analisis sentimen media sosial, dengan melakukan deteksi tweet dari akun bot yang dilihat dari nilai dari rasio followers/following dari setiap akun dan nilai time interval entropy sebelum tahap pre-processing data dilakukan. Analisis sentimen yang dilakukan dalam penelitian ini menggunakan metode Support Vector Machine dan didapatkan hasil bahwa dengan mengeliminasi tweet yang berasal dari akun bot mampu meningkatkan akurasi dari model yang dibuat. Jika dibandingkan antara dataset sebelum dan sesudah dilakukan eliminasi terhadap tweet dari akun bot terjadi peningkatan akurasi dari 0,9457 menjadi 0,9475.

Keywords


Analisis Sentimen; Bot; KPK; SVM; Time Interval Entropy

Full Text:

PDF

Article Metrics :

References


D. Duei Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 10, no. 1, Jan. 2022, doi: 10.23960/jitet.v10i1.2262.

E. T. Handayani and A. Sulistiyawati, “ANALISIS SENTIMEN RESPON MASYARAKAT TERHADAP KABAR HARIAN COVID-19 PADA TWITTER KEMENTERIAN KESEHATAN DENGAN METODE KLASIFIKASI NAIVE BAYES,” Jurnal Teknologi dan Sistem In-formasi (JTSI), vol. 2, no. 3, pp. 32–37, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI

H. Hernawati and W. G. Kedua, “SENTIMEN ANALISIS OPERASI TANGKAP TANGAN KPK MENURUT MASYARAKAT MENGGUNAKAN ALGORITMA SUPPORT VECHTOR MACHINE, NAÏVE BAYES, BERBASIS PARTICLE SWARM OPTIMIZITION,” Faktor Exacta, vol. 12, no. 3, p. 230, Nov. 2019, doi: 10.30998/faktorexacta.v12i3.4992.

D. Darwis, E. Shintya Pratiwi, A. Ferico, and O. Pasaribu, “PENERAPAN ALGORITMA SVM UNTUK ANALISIS SENTIMEN PADA DATA TWITTER KOMISI PEMBERANTASAN KORUPSI REPUBLIK INDONESIA,” Jurnal Ilmiah Edutic, vol. 7, no. 1, 2020.

A. Faisal, Y. Alkhalifi, A. Rifai, and W. Gata, “Analisis Sentimen Dewan Perwakilan Rakyat Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization,” JOINTECS (Journal of Information Technology and Computer Science), vol. 5, no. 2, pp. 61–70, 2020.

F. S. Pattiiha and H. Hendry, “Perbandingan Metode K-NN, Naïve Bayes, Decision Tree untuk Analisis Sentimen Tweet Twitter Terkait Opini Terhadap PT PAL Indonesia,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, p. 506, Apr. 2022, doi: 10.30865/jurikom.v9i2.4016.

T. Rivanie, R. Pebrianto, T. Hidayat, A. Bayhaqy, W. Gata, and B. Novitasari, “ANALISIS SENTIMEN TERHADAP KINERJA MENTERI KESEHATAN INDONESIA SELAMA PANDEMI COVID-19,” Jurnal Informatika, vol. 21, no. 1, 2021.

P. Wanda, M. E. Hiswati, M. Diqi, and R. Herlinda, “Re-Fake: Klasifikasi Akun Palsu di Sosial Media Online menggunakan Algoritma RNN,” Prosiding Seminar Nasional Sains Teknologi dan Inovasi Indonesia (SENASTINDO), vol. 3, pp. 191–200, Dec. 2021, doi: 10.54706/senastindo.v3.2021.139.

A. Ikhsan, M. Farrel, A. Kusuma, A. Cintya, M. Wibowo, and N. A. Rakhmawati, “Pengaruh Akun BOT pada Sentiment Masyarakat terhadap Pinjaman Online di Twitter The Effect of Bot Accounts on Community Toward Online Loans on Twitter,” SISTEMASI: Jurnal Sistem Informasi, vol. 11, no. 1, pp. 2540–9719, 2022, [Online]. Available: http://sistemasi.ftik.unisi.ac.id

I. Safi’i A, A. Setyanto, and S. Raharjo, “Deteksi Bot Spammer Pada Twitter Menggunakan Smith Waterman Similarity Dan Time Interval Entro-py,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 2, no. 3, pp. 633–638, 2018, [Online]. Available: http://jurnal.iaii.or.id

S. D. Priyani, E. Ripmiatin, and S. Arifin, “Implementation of Cosine Similarity and Time Interval Entropy Method to Identify Bot Spammer Account on Twitter,” ITSMART: Jurnal Ilmiah Teknologi dan Informasi, vol. 6, no. 2, pp. 51–57, Dec. 2017.

A. Mustofa et al., “TWITTER BUZZER DETECTION SYSTEM USING TWEET SIMILARITY FEATURE AND SUPPORT VECTOR MACHINE,” NJCA (Nusantara Journal of Computers and Its Applications), vol. 8, no. 1, pp. 7–12, 2023.

R. D. Himawan and Eliyani, “Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa Pandemi,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 7, no. 1, pp. 58–63, 2021.

C. Rahmawati and P. Sukmasetya, “Sentimen Analisis Opini Masyarakat Terhadap Kebijakan Kominfo atas Pemblokiran Situs non-PSE pada Media Sosial Twitter,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 5, p. 1393, Oct. 2022, doi: 10.30865/jurikom.v9i5.4950.

R. Pebrianto, S. N. Nugraha, A. Latif, and M. R. Firdaus, “ANALISIS SENTIMEN TWITTER TERHADAP MENTERI INDONESIA DENGAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAIVE BAYES,” Jurnal Teknik Elektro dan Informatika, vol. 17, no. 1, pp. 1–12, 2022.

P. G. Pratama, “SELEKSI FITUR UNTUK MENDETEKSI SOCIAL BOT PADA MEDIA SOSIAL TWITTER (STUDI KASUS: KAMPANYE PEMILU PRESIDEN INDONESIA 2019),” 2020.

I. Santoso, W. Gata, A. Budi Paryanti, I. Komputer, S. Nusa Mandiri, and S. Cipta Karya Informatika, “Penggunaan Feature Selection di Algo-ritma Support Vector Machine untuk Sentimen Analisis Komisi Pemilihan Umum,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) , vol. 3.3, no. 3, pp. 364–370, 2019.

T. Prasetyo, H. Zakaria, and P. Wiliantoro, “Analisis Layanan Pelanggan PT PLN Berdasarkan Media Sosial Twitter Dengan Menggunakan Metode Naïve Bayes Classifier,” OKTAL: Jurnal Ilmu Komputer dan Sains , vol. 1, no. 06, pp. 573–582, 2022, [Online]. Available: https://journal.mediapublikasi.id/index.php/oktal

S. Pakpahan and A. Manullang, “Analisis Sentimen Integritas KPK Tahun 2021 Pencegahan Korupsi pada Twitter KPK menggunakan Metode K-Nearest Neighbor dan Naive Bayes,” Citra Sains Teknoligi, vol. 2, no. 1, pp. 63–73, 2022.

A. M. Priyatno, M. M. Muttaqi, F. Syuhada, and A. Z. Arifin, “Deteksi bot spammer twitter berbasis time interval entropy dan global vectors for word representations tweet’s hashtag,” Register: Jurnal Ilmiah Teknologi Sistem Informasi, vol. 5, no. 1, pp. 37–46, Jan. 2019, doi: 10.26594/register.v5i1.1382.

A. M. Priyatno and L. Ningsih, “Pembobotan TF-IDF untuk Mendeteksi Akun Spammer di Twitter berdasarkan Tweet dan Representasi Retweet dari Tweet,” SISTEMASI: Jurnal Sistem Informasi, vol. 11, no. 3, pp. 614–622, 2022, [Online]. Available: http://sistemasi.ftik.unisi.ac.id

A. S. Amirul Haj, V. Amrizal, and A. Arini, “Analisis Sentimen Kinerja KPU Pemilu 2019 Menggunakan Algoritma K-Means Dengan Algoritma Confix Stripping Stemmer,” Journal of Innovation Information Technology and Application (JINITA), vol. 2, no. 01, pp. 9–18, Jun. 2020, doi: 10.35970/jinita.v2i01.119.