Sentiment Mining Pada Kegiatan Program Pengembangan Masyarakat Berbasis Media Sosial
View/ Open
Date
2016Author
Yuliyanti, Siti
Djatna, Taufik
Sukoco, Heru
Metadata
Show full item recordAbstract
Sentiment mining merupakan bagian dari text mining yang melakukan ekstraksi
dan mengolah data tekstual secara otomatis untuk mendapatkan informasi dalam suatu
kalimat opini yang dianalisis untuk melihat kecenderungan opini terhadap sebuah
masalah atau objek oleh seseorang, apakah cenderung beropini positif, negatif atau
netral. Pengembangan masyarakat merupakan gerakan yang dirancang untuk
meningkatkan taraf hidup keseluruhan masyarakat melalui partisipasi aktif dan
inisiatif dari masyarakat. Permasalahan yang sering timbul yaitu pada proses
implementasi dan evaluasi program pengembangan masyarakat dan penelitian yang
banyak dilakukan dengan menggunakan metode kuantitatif dan kualitatif
berdasarkan kuisioner dan belum memanfaatkan media sosial.
Twitter adalah media sosial yang saat ini aktif digunakan masyarakat Indonesia
dalam menyampaikan opini, keluhan, saran bahkan kritik tentang permasalahan atau
kegiatan yang menjadi trending topic, user yang paling banyak diantaranya adalah
remaja atau anak usia sekolah berdasarkan survei Onavo Insight dan APJII. Objek
penelitian ini adalah kegiatan pada program pengembangan masyarakat yang
berhubungan dengan remaja yaitu kegiatan PIK-Remaja (Pusat Informasi dan
Konseling Remaja) dan GenRe (Generasi Berencana) yang berada di wilayah Bogor.
Berdasarkan survei kegiatan tersebut sudah didukung Twitter dalam sosialisasi samapi
implementasi kegiatan sehingga menarik untuk diteliti.
Data tweet hasil crawling dari Twitter tidak terstruktur dan belum diketahui
kelas sentiment. Sehingga perlu dilakukan praproses meliputi filter, case folding, token
dan parsing, pemeriksaan kelas sentiment dengan lexicon based serta pembobotan
term/kata dengan term frequency. Tahapan selanjutnya, mereduksi fitur dengan PCA
dengan tujuan mencari nilai PC (principal component) tertinggi untuk memudahkan
dan meningkatkan akurasi pada proses klasifikasi sentiment dengan tiga kelas yaitu
kelas positif, negatif dan netral menggunakan SVM Sebelum klasifikasi, parameter c
dan γ yang akan digunakan pada evaluasi model di estimasi untuk menghasilkan
akurasi tertinggi.
Penelitian ini menganalisis kebutuhan model sentiment mining, mengevaluasi
model dan merancangan pengembangan model menggunakan diagram-diagram UML.
Hasil penelitian menunjukan kegiatan yang penyebaran informasi terbaik adalah
kegiatan GenRe dibandingkan kegiatan PIK-Remaja dimana persentase sentiment
positif lebih tinggi dari persentase sentiment negatif. Estimasi parameter c dan γ yang
menghasilkan akurasi tertinggi adalah kombinasi 0.8 dan 0.8, 0.8 dan 0.9, 0.9 dan 0.8,
serta 0.9 dan 0.9, dimana kombinasi parameter tersebut digunakan dalam pengujian
model. Akurasi klasifikasi sentiment menunjukkan hasil yang cukup baik jika
dibandingkan dengan penelitian sebelumnya yaitu sebesar 88.64% pada kegiatan
GenRe dan sebesar 82.78% pada kegiatan PIK-Remaja, tingkat akurasi tidak
dipengaruhi pembagian data latih dan data uji tapi dipengaruhi praproses data dan
estimasi parameter (c dan γ).