Analisis Sentimen Pengguna Twitter terhadap Pemindahan Ibu Kota Negara Indonesia Menggunakan Metode Ensemble

Abstract

Pada Maret 2019, pemerintah Indonesia memutuskan untuk memindahkan ibu kota negara Indonesia ke Pulau Kalimantan. Adanya keputusan ini ramai diperbincangkan di Twitter sehingga menimbulkan opini yang mengandung sentimen dari publik. Penelitian ini bertujuan menentukan sentimen dari opini masyarakat kedalam tiga kelas yaitu positif, netral dan negatif menggunakan model klasifikasi Ensemble. Model Ensemble ini dibangun dari empat base classifier yaitu Multinomial Naïve Bayes, Random Forest, SVM, dan Logistic Regression dengan menggunakan metode weighted soft voting. Analisis sentimen dilakukan dengan beberapa tahap yaitu pengambilan data, pelabelan data secara manual, praproses data, ekstraksi fitur, pembagian data menggunakan 10-Fold Cross Validation, hyperparameter tuning, pemodelan klasifikasi, dan evaluasi model dengan confusion matrix. Model klasifikasi Ensemble mendapatkan hasil terbaik dibandingkan dengan base classifier lainnya dengan akurasi sebesar 87.93% dan F-Score sebesar 85.61% untuk kelas negatif, 91.10% untuk kelas netral, dan 86.97% untuk kelas positif. Hasil analisis sentimen menunjukkan bahwa kelas negatif, netral, dan positif berturut-turut memiliki data sebanyak 831, 368, dan 642 tweet dengan persentase berturut-turut sebesar 45%, 19%, dan 35%.

In March 2019, the Indonesian Government decided to relocate the capital city of Indonesia to the island of Borneo. Topic about this relocation is widely discussed on Twitter, giving rise to pros and cons from the public. This study aims to determine the sentiment of the public's response on twitter into three categories which are positive, negative, and neutral using Ensemble classifier. This Ensemble model will be built from Multinomial Naïve Bayes, Random Forest, SVM, and Logistic Regression as a base classifier using a weighted soft voting method. Sentiment analysis will be performed with several phases, including data acquisition, data preprocessing, manual data labelling, feature extraction, data splitting using 10-Fold Cross Validation, hyperparameter tuning, classification modeling, and model evaluation. Ensemble classification model gets the best result compared to other base classifier with 87.93% accuracy with 85.61% F-score for negative class, 91.10% F-score for neutral class, and 86.97% F-Score for the positive class. The results of the sentiment analysis show that the negative, neutral, and positive classes consisted of 831, 368, and 642 tweets with a percentage of 45%, 19%, and 35% respectively.