Analisis Perbandingan Ekstraksi Fitur Teks pada Sentimen Analisis Kenaikan Harga BBM

Penulis

  • Briga Darmawan Universitas Amikom Yogyakarta
  • Arif Dwi Laksito Universitas Amikom Yogyakarta
  • Muhammad Resa Arif Yudianto Universitas Muhammadiyah Magelang
  • Acihmah Sidauruk Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.32832/krea-tif.v11i1.13819

Kata Kunci:

Sentiment Analysis, SVM, TF-IDF, BoW, FastText

Abstrak

BBM merupakan bahan bakar yang digunakan kendaraan bermotor. Penggunaan BBM meningkat sejalan dengan pertumbuhan ekonomi di Indonesia. Kenaikan harga BBM di Indonesia menimbulkan berbagai macam pendapat di media sosial twitter melalui posting dan thread. Fokus penelitian ini melakukan analisis sentimen terhadap kenaikan BBM yang datanya didapat melalui twitter dengan jumlah 1667 data. Tujuan dari penelitian ini melakukan perbandingan metode ekstraksi fitur yang memiliki kinerja paling baik seperti TF-IDF, Bag of Word, dan FastText diuji dengan algoritma machine learning SVM. Untuk tahap penelitian yang pertama melakukan crawling data twitter, preprocessing data, ekstraksi fitur, pembuatan model dengan algoritma machine learning, dan kemudian dilakukan pengujian dan perbandingan model confusion matrix pada setiap ekstraksi fitur. Hasil dari penelitian ini menunjukkan bahwa penggunaan ekstraksi fitur BoW  memiliki kinerja lebih baik dibandingkan model ekstraksi fitur yang lain.

Referensi

Y. Dewi, S. S, A. Dini, M. M, and R. Mauli, "Dampak Kenaikan Harga Bahan Bakar Minyak (BBM) Terhadap Sembilan Bahan Pokok (Sembako) Di Kecamatan Tambun Selatan Dalam Masa Pandemi,” J. Citizsh. Virtues, vol. 2, no. 2, pp. 320–326, 2022, doi: 10.37640/jcv.v2i2.1533.

F. F. Mailo and L. Lazuardi, "Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia,” J. Inf. Syst. Public Heal., vol. 4, no. 1, pp. 28–36, 2019.

S. M. Permataning Tyas, B. S. Rintyarna, and W. Suharso, "The Impact of Feature Extraction to Naí¯ve Bayes Based Sentiment Analysis on Review Dataset of Indihome Services,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 13, no. 1, pp. 1–10, 2022, doi: 10.31849/digitalzone.v13i1.9158.

M. R. A. Nasution and M. Hayaty, "Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” J. Inform., vol. 6, no. 2, pp. 226–235, 2019, doi: 10.31311/ji.v6i2.5129.

K. S. Jones, "A STATISTICAL INTERPRETATION OF TERM SPECIFICITY AND ITS APPLICATION IN RETRIEVAL,” J. Doc., vol. 28, no. 1, pp. 11–21, 1972, [Online]. Available: https://doi.org/10.1108/eb026526

P. Bojanowski, E. Grave, A. Joulin, and T. Mikolov, "Enriching Word Vectors with Subword Information,” Trans. Assoc. Comput. Linguist., vol. 5, pp. 135–146, 2017, doi: 10.1162/tacl_a_00051.

R. Batra and S. M. Daudpota, "Integrating StockTwits with sentiment analysis for better prediction of stock price movement,” 2018 Int. Conf. Comput. Math. Eng. Technol. Inven. Innov. Integr. Socioecon. Dev. iCoMET 2018 - Proc., vol. 2018-Janua, pp. 1–5, 2018, doi: 10.1109/ICOMET.2018.8346382.

F. A. Wicaksono and A. Romadhony, "Sentiment Analysis of University Social Media Using Support Vector Machine and Logistic Regression Methods,” vol. 7, no. August, pp. 15–24, 2022, doi: 10.34818/indojc.2022.7.2.638.

Dhammajoti, J. C. Young, and A. Rusli, "A comparison of supervised text classification and resampling techniques for user feedback in bahasa Indonesia,” 2020 5th Int. Conf. Informatics Comput. ICIC 2020, 2020, doi: 10.1109/ICIC50835.2020.9288588.

A. A. Septiandri and O. Wibisono, "Detecting spam comments on Indonesia's Instagram posts,” J. Phys. Conf. Ser., vol. 801, no. 1, 2017, doi: 10.1088/1742-6596/755/1/011001.

F. Es-Sabery, K. Es-Sabery, H. Garmani, J. Qadir, and A. Hair, "Evaluation of different extractors of features at the level of sentiment analysis,” Infocommunications J., vol. 14, no. 2, pp. 85–96, 2022, doi: 10.36244/ICJ.2022.2.9.

S. Robertson, "Understanding inverse document frequency: On theoretical arguments for IDF,” J. Doc., vol. 60, no. 5, pp. 503–520, 2004, doi: 10.1108/00220410410560582.

R. Ahuja, A. Chug, S. Kohli, S. Gupta, and P. Ahuja, "The impact of features extraction on the sentiment analysis,” Procedia Comput. Sci., vol. 152, pp. 341–348, 2019, doi: 10.1016/j.procs.2019.05.008.

A. A. Kasim and M. Sudarsono, "Algoritma Support Vector Machine ( SVM ) untuk Klasifikasi Ekonomi Penduduk Penerima Bantuan Pemerintah di Kecamatan Simpang Raya Sulawesi Tengah,” Semin. Nas. APTIKOM, pp. 568–573, 2019.

I. Monika Parapat and M. Tanzil Furqon, "Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3163–3169, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

Unduhan

Diterbitkan

2023-08-30

Cara Mengutip

Darmawan, B., Laksito, A. D., Yudianto, M. R. A., & Sidauruk, A. (2023). Analisis Perbandingan Ekstraksi Fitur Teks pada Sentimen Analisis Kenaikan Harga BBM. Krea-TIF: Jurnal Teknik Informatika, 11(1), 53–63. https://doi.org/10.32832/krea-tif.v11i1.13819

Terbitan

Vol 11 No 1 (2023)

Bagian

Articles

Lisensi

Hak Cipta (c) 2023 Briga Darmawan, Arif Dwi Laksito

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.

Penulis yang menerbitkan jurnal ini menyetujui persyaratan berikut:

  • Penulis memiliki hak cipta dan memberikan hak jurnal untuk publikasi pertama dengan karya yang secara simultan dilisensikan yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepengarangan karya dan publikasi awal dalam jurnal ini.
  • Penulis dapat membuat perjanjian kontrak tambahan yang terpisah untuk distribusi non-eksklusif versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya di jurnal ini.
  • Penulis diizinkan dan didorong untuk memposting pekerjaan mereka secara online (misalnya, dalam repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menyebabkan pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan.

 

Biaya Publikasi

Jurnal Krea-TIF memiliki biaya publikasi Artikel, dengan

Biaya per Artikel : Rp 350.000

Bank Transfer : CIMB Niaga Syariah 761998938200 an GIBTHA FITRI LAXMI

Penulis diharuskan membayar biaya publikasi sebagai biaya pengajuan untuk berkontribusi dalam pembiayaan proses review dan editing.

*Jika Anda tidak memiliki dana untuk membayar biaya tersebut, Anda akan memiliki kesempatan untuk membebaskan setiap biaya. Kami tidak ingin ada biaya untuk mencegah publikasi karya yang layak. Melalui proses seleksi kelayakan tentunya.