Analisis Sentimen Twitter Menggunakan Machine Learning untuk Identifikasi Konten Negatif

Amalia Kartika Sari; Akhmad Irsyad; Dinda Nur Aini; Islamiyah; Stephanie Elfriede Ginting

doi:10.30872/atasi.v3i1.1373

Authors

Amalia Kartika Sari Universitas Mulawarman
Akhmad Irsyad Universitas Mulawarman
Dinda Nur Aini Universitas Mulawarman
Islamiyah Universitas Mulawarman
Stephanie Elfriede Ginting Universitas Mulawarman

DOI:

https://doi.org/10.30872/atasi.v3i1.1373

Keywords:

twitter, Analisis Sentimen, TF-IDF, Logistic Regression, Naïve Bayes Classifier

Abstract

Konten Negatif adalah informasi dan dokumen elektronik yang mengandung konten yang tidak sopan, perjudian, penghinaan, pencemaran nama baik, pemerasan, pengancaman, serta penyebaran berita bohong dan menyesatkan yang dapat merugikan pengguna. Selain itu, konten negatif juga mencakup hal-hal yang memicu kebencian atau permusuhan berdasarkan suku, agama, ras, dan golongan (Alita & Isnain, 2020). Twitter adalah Wadah media sosial yang memungkinkan mengirim dan membaca pesan yang digunakan oleh individu, organisasi dan perusahaan untuk berbagi informasi, mengomentari peristiwa terkini, dan berinteraksi dengan pengguna lain. Proses analisis mencakup pembersihan data, eksplorasi data, dan penerapan model pembelajaran mesin seperti TF-IDF, Logistics Regression Model, dan Naive Bayes Classfier untuk klasifikasi sentimen. Hasil penelitian menunjukkan bahwa model pembelajaran mesin dapat mengklasifikasikan sentimen tweet dengan sangat akurat, memberikan wawasan penting tentang opini publik di platform Twitter. Kinerja terbaik dengan skor F-1 68,4% dihasilkan dari uji coba Logistic Regression.

References

Alfyando, M., Anggraeny, F. T., & Sihananto, A. N. (2024). Perbandingan Algoritma Random Forest dan Logistic Regression Untuk Analisis Sentimen Ulasan Aplikasi Tumbuh Kembang Anak Di Play Store. Jurnal Sistem Informasi Dan Ilmu Komputer, 2(1), 77–86. https://doi.org/10.59581/jusiik-widyakarya.v2i1.2262

Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2). https://doi.org/10.23960/komputasi.v8i2.2615

Drus, Z., & Khalid, H. (2019). Sentiment Analysis in Social Media and Its Application: Systematic Literature Review. Procedia Computer Science, 161, 707–714. https://doi.org/10.1016/j.procs.2019.11.174

Giovani, A. P., Ardiansyah, A., Haryanti, T., Kurniawati, L., & Gata, W. (2020). ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI. Jurnal Teknoinfo, 14(2), 115. https://doi.org/10.33365/jti.v14i2.679

Irham, L. G., Adiwijaya, A., & Wisesty, U. N. (2019). Klasifikasi Berita Bahasa Indonesia Menggunakan Mutual Information dan Support Vector Machine. JURNAL MEDIA INFORMATIKA BUDIDARMA, 3(4), 284–292. https://doi.org/10.30865/mib.v3i4.1410

Irsyad, A., Geralda, R. D., & Wardhana, R. (2023). Analisis Sentimen SEA Games 2023 di Twitter Metode dengan Machine Learning. Adopsi Teknologi Dan Sistem Informasi (ATASI), 2(2), 126–131. https://doi.org/10.30872/atasi.v2i2.1138

Multi Fani, S., & Santoso, R. (2023). PENERAPAN TEXT MINING UNTUK MELAKUKAN CLUSTERING DATA TWEET AKUN BLIBLI PADA MEDIA SOSIAL TWITTER MENGGUNAKAN K-MEANS CLUSTERING. JURNAL MEDIA INFORMATIKA BUDIDARMA, 10, 583–593. Retrieved from https://ejournal3.undip.ac.id/index.php/gaussian/

NOR, S. N., MUSLIM, M. A., & ASWIN, M. (2022). Pengenalan Pola Dasar Angka berdasarkan Gerakan Tangan menggunakan Machine Learning. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 10, 596–608.

Sahayak, V., Shete, V., & Pathan, A. (2015). Sentiment Analysis on Twitter Data. International Journal of Innovative Research in Advanced Engineering (IJIRAE) , 2(1), 178–179. Retrieved from www.ijirae.com

Shah, S., Akshata Bhat, M., Sumitra Singh, M., Arya Chavan, M., & Aryan Singh, M. (2024). INTERNATIONAL JOURNAL OF PROGRESSIVE RESEARCH IN ENGINEERING MANAGEMENT AND SCIENCE (IJPREMS) SENTIMENT ANALYSIS. SENTIMENT ANALYSIS, 4(4), 1542–1546. https://doi.org/10.58257/IJPREMS33384