Sentiment Mining Pada Kegiatan Program Pengembangan Masyarakat Berbasis Media Sosial

Abstract

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).