Analisis Sentimen Pengguna Twitter Mengenai Calon Presiden Indonesia Tahun 2024 Menggunakan Algoritma LSTM
DOI:
https://doi.org/10.53513/jis.v22i2.8680Keywords:
Analisis Sentimen, Fasttext, Textblob, SMOTE, LSTM, Hyperparameter TuningAbstract
Platform media sosial Twitter menjadi salah satu platform yang banyak digunakan oleh masyarakat Indonesia untuk berkomunikasi, dan mengakses informasi dengan cepat. Hal ini menyebabkan banyak sekali sentimen masyarakat Indonesia yang dapat dijadikan sebagai studi kasus salah satunya mengenai calon presiden Indonesia tahun 2024. Beberapa tokoh publik seperti Ganjar Pranowo, Prabowo Subianto, dan Ridwan Kamil sudah mulai banyak dibicarakan oleh masyarakat sebagai calon presiden dalam beberapa sentimen pada platform Twitter. Sentimen mengenai para tokoh publik tersebut akan diklasifikasikan dengan algoritma Long Short Term Memory (LSTM) dengan label positif dan negatif. Data sentimen selanjutnya akan melewati proses pre-processing, pelabelan data dengan textblob, word embedding dengan fasttext, hingga data balancing dengan SMOTE sebelum akhirnya model akan dilatih dan diuji. Tahapan penentuan hyperparameter tuning dilakukan sebelum melatih model LSTM seperti penentuan jumlah unit, learning rate, dropout, batch size hingga jumlah epoch agar menghasilkan model latih yang baik. Hasil uji dan evaluasi performa untuk setiap model yang telah dilatih adalah 82% akurasi, 86% presisi, 92% recall, dan 89% f1-score pada model Ganjar Pranowo. 82% akurasi, 82% presisi, 96% recall, dan 89% f1-score pada model Prabowo Subianto. 87% akurasi, 91% presisi, 95% recall, 93% f1-score pada model Ridwan. 87%.References
APJII, “Survei Profil Internet Indonesia 2022,†2022. https://apjii.or.id/gudang-data/hasil-survei.
We Are Social, “Digital 2022: Another Year Of Bumper Growth,†2022. https://wearesocial.com/uk/blog/2022/01/digital-2022-another-year-of-bumper-growth-2/.
F. Firmansyah, “Analisis sentimen terhadap hasil Pilpres 2019 dengan membandingkan algoritma Support Vector Machine (SVM) dan algoritma K-Nearest Neighbor (KNN),†UIN Sunan Gunung Jati Bandung, 2019.
M. R. Fais Sya’ bani, U. Enri, and T. N. Padilah, “Analisis Sentimen Terhadap Bakal Calon Presiden 2024 Dengan Algoritme Naïve Bayes,†JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 265, 2022, doi: 10.30865/jurikom.v9i2.3989.
M. Z. Rahman, Y. A. Sari, and N. Yudistira, “Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM),†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 11, pp. 5120–5127, 2021, [Online]. Available: http://j-ptiik.ub.ac.id.
D. A. Firdlous and R. Andrian, “Analisis Sentimen Publik Twitter terhadap Pemilu 2024 menggunakan Model Long Short Term Memory,†Sist. J. Sist. Inf., vol. 12, no. 1, pp. 52–60, 2023.
P. M. Sosa, “Twitter Sentiment Analysis using combined LSTM-CNN Models,†Eprint Arxiv, pp. 1–9, 2017.
E. Yolanda Talahaturuson, L. Junaedi, and A. Bimo Gumelar, “Analisis Sentimen Pergerakan Harga Mata Uang Kripto (Cryptocurrency) Menggunakan TextBlob-NLTK (Natural Language Toolkit),†Jlk, vol. 5, no. 2, pp. 1–7, 2022.
I. G. S. Mas Diyasa, N. M. I. Marini Mandenni, M. I. Fachrurrozi, S. I. Pradika, K. R. Nur Manab, and N. R. Sasmita, “Twitter Sentiment Analysis as an Evaluation and Service Base On Python Textblob,†IOP Conf. Ser. Mater. Sci. Eng., vol. 1125, no. 1, p. 012034, 2021, doi: 10.1088/1757-899x/1125/1/012034.
S. Mujahidin, B. Prasetio, and M. C. C. Utomo, “Implementasi Analisis Sentimen Masyarakat Mengenai Kenaikan Harga BBM Pada Komentar Youtube Dengan Metode Gaussian naïve bayes,†Voteteknika (Vocational Tek. Elektron. dan Inform., vol. 10, no. 3, p. 17, 2022, doi: 10.24036/voteteknika.v10i3.118299.
J. Han, M. Kamber, and J. Pei, Data mining: Data mining concepts and techniques, Third Edit. Unites States of America: Morgan Kauffman, 2012.
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),†J. Media Inform. Budidarma, vol. 5, no. 2, p. 406, 2021, doi: 10.30865/mib.v5i2.2835.
Hermanto, A. Y. Kuntoro, T. Asra, E. B. Pratama, L. Effendi, and R. Ocanitra, “Gojek and Grab User Sentiment Analysis on Google Play Using Naive Bayes Algorithm and Support Vector Machine Based Smote Technique,†J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012102.
G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,†INTEGER J. Inf. Technol., vol. 2, no. 1, pp. 32–41, 2017, doi: 10.31284/j.integer.2017.v2i1.95.
R. Azhar, A. Surahman, and C. Juliane, “Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes,†J. Sains Komput. Inform. (J-SAKTI, vol. 6, no. 1, pp. 267–281, 2022.
C. Cahyaningtyas, Y. Nataliani, and I. R. Widiasari, “Analisis Sentimen Pada Rating Aplikasi Shopee Menggunakan Metode Decision Tree Berbasis SMOTE,†Aiti, vol. 18, no. 2, pp. 173–184, 2021, doi: 10.24246/aiti.v18i2.173-184.
M. Wasil, H. Harianto, and F. Fathurrahman, “Pengaruh Epoch pada Akurasi menggunakan Convolutional Neural Network untuk Klasifikasi fashion dan Furniture,†Infotek J. Inform. dan Teknol., vol. 5, no. 1, pp. 53–61, 2022, doi: 10.29408/jit.v5i1.4393.
