Syntax Literate: Jurnal Ilmiah
Indonesia p–ISSN: 2541-0849 e-ISSN: 2548-1398
Vol. 9, No. 2, Februari 2024
ANALISIS
SENTIMEN TERHADAP TWEET MENGENAI PERISTIWA RUSSIA MELAWAN UKRAINA BERBASIS
MACHINE LEARNING
Muhammad
Husni Mubarok1, Jati
Sasongko Wibowo2
Universitas Stikubank Semarang, Jawa Tengah, Indonesia
Email: [email protected]1, [email protected]2
Abstrak
Perang
yang terjadi di Eropa antara Rusia - Ukraina berdampak langsung maupun tidak langsung diseluruh belahan dunia, termasuk Indonesia. Masyarakat banyak
yang memberikan pendapat atas peristiwa tersebut, baik itu berupa pujian
atau keluh kesah yang dipublikasikan pada
media sosial, salah satunya
adalah Twitter. Penelitian ini bertujuan untuk
mengolah atau mengekstrak tanggapan masyarakat di media Twitter agar menjadi
sebuah informasi dengan menggunakan analisis sentiment. Analisis
sentiment dengan algoritma klasifikasi Support Vector Machine (SVM), Multinomial
Naive Bayes (MNB), dan K-Nearest Neigbhor
(KKN). Berdasarkan analisis
sentimen memberikan gambaran bahwa tanggapan masyarakat Indonesia pengguna twitter pada tanggal 24 Februari 2022 tentang peristiwa perang Rusia - Ukraina didominasi dengan tweet bersentimen negatif (50,1%), kemudian netral (30,5%), dan positif (19,3%). Hasil performa tertinggi model machine
learning didapat pada model beralgoritma
SVM dengan akurasi 90%, diikuti oleh MNB (71%), dan KKN (48%). Masyarkat
Indonesia banyak yang mengaitkan
peristiwa perang Rusia vs Ukraina dengan peristiwa perang dunia.
Kata kunci : Analisis Sentimen; Twitter; Support
Vector Machine; Multinomial Naïve
Bayes; K-Nearest Neighbor
Abstract
The war that took place in Europe between Russia and
Ukraine had a direct or indirect impact on all parts of the world, including
Indonesia. Many people gave their opinion on the incident, whether it was in
the form of praise or complaints published on social media, one of which was
Twitter. This study aims to process or extract public responses on Twitter
media to become information using sentiment analysis. Sentiment analysis using
the classification algorithm Support Vector Machine (SVM), Multinomial Naive
Bayes (MNB), and K-Nearest Neigbhor (KKN). Based on
sentiment analysis, it illustrates that the response of the Indonesian public
on Twitter users on February 24, 2022 about the events of the Russia-Ukraine
war was dominated by tweets with negative sentiments (50.1%), then neutral
(30.5%), and positive (19.3%). The highest performance results from the machine
learning model were obtained on the SVM algorithm model with an accuracy of
90%, followed by MNB (71%), and KKN (48%). Many Indonesian people associate the
events of the Russia vs Ukraine war with the events of the world war.
Keywords: Sentiment Analysis; Twitter; Support Vector Machines;
Naïve Bayes Multinomial; K-Nearest Neighbor
Pendahuluan
Pada saat ini, perang yang terjadi di Eropa antara Rusia melawan Ukraina berdampak di berbagai negara dibelahan penjuru dunia, tak terkecuali negara Indonesia (Hutabarat, 2022). Sektor ekonomi merupakan sektor yang sangat berdampak akibat perang yang terjadi antara Rusia melawan Ukraina (Bakrie et al., 2022; Rubel & Hossain, 2022). Dampak yang terjadi ialah mulai dari nilai tukar rupiah yang turun terhadap Dollar AS, kehilangan pendapatan dari ekspor terhadap kedua negara tersebut, kenaikan harga impor bahan pokok hingga naiknya harga minyak dunia (Alfiansyah, 2022). Dari fenomena itu, masyarakat banyak yang memberikan berbagai macam pendapat baik itu pujian atau keluh kesah yang dipublikasikan di berbagai media sosial, salah satunya adalah Twitter (Pamungkas & Kharisudin, 2021). Dari berbagai tanggapan tersebut perlu digolongkan ke dalam bentuk tanggapan positif, netral atau negatif sehingga di dapatkan suatu informasi dari tanggapan-tanggapan tersebut.
Salah satu cara mengolah atau mengekstrak tanggapan agar menjadi sebuah informasi adalah menggunakan analisis sentimen (Vidyadhari, 2022). Analisis sentimen merupakan proses memahami, mengekstrak dan mengolah data tesktual secara otomatis untuk mendapat informasi (Pang & LillianLee, 2008). Dalam menerapkan analisis sentimen diperlukan adanya sebuah klasifikasi. Klasifikasi digunakan untuk mengelompokan tanggapan mana yang memiliki sentimen positif, sentiment netral, dan sentimen negative (Salam et al., 2018). Penelitian mengenai analisis sentimen di Indonesia telah banyak dilakukan dengan berbagai metode. (Setiawan et al., 2021) menyimpulkan bahwa multinomial naive bayes dapat digunakan untuk klasifikasi teks dengan akurasi yaitu sebesar 82%. Namun dalam penelitian (Shofiya et al., 2020) menyimpulkan bahwa algoritma support vector machine memiliki nilai akurasi sebesar 82% sedangakan multinomial naive bayes memiliki nilai akurasi sebesar 64%. Sedangkan menurut (Rezwanul et al., 2017) dalam pengklasifikasian data tweet menyimpulkan bahwa algoritma K-nearest neighbor memiliki tingkat akurasi tertinggi dibandingkan dengan algoritma support vector machine.
Dalam penerapanya algoritma pada support vector machine memiliki keunggunalan dalam mengklasifikasikan data berbentuk teks, diantara Support Vector Machine, Multinomial Naive Bayes, serta K-Nearest Neigbhor algoritma mana yang paling tepat mengklasifikasikan data tanggapan masyarakat Indonesia pada media sosial twitter (Devi, 2023).
Pada penelitian ini akan melakukan analisis sentimen tanggapan masyarakat terhadap perang antara Rusia melawan Ukraina pada media sosial Twitter dengan algoritma klasifikasi Support Vector Machine, Multinomial Naive Bayes, serta K-Nearest Neigbhor.
Metode Penelitian
Pada tahapan yang pertama, penulis melakukan pembelajaran beberapa literatur yang ada (Creswell
& Poth, 2016). Kemudian
peneliti melakukan pengumpulan data, data yang dikumpulkan merupakan data yang
berasal dari twitter yaitu data tweets. Setelah melalui tahapan pengumpulan
data, peneliti melanjutkan ke tahap pre-processing
data, pemberian bobot, visualisasi data, dan transformasi
ke bentuk TF-IDF (Sugiyono,
2019). Setelah itu
data yang telah didapatkan akan diolah menggunakan metode klasifikasi Support Vector Machine, K-Nearest Neighbor, dan Multinomial Naïve Bayes.
Pada tahap pengumpulan data peneliti mengumpulkan data berupa tweet dari media sosial yaitu twitter terkait dengan perang yaitu perang
antara rusia vs ukraina dengan keyword “Rusia vs Ukraina”, “Russia”, “Rusia”, “Ukraina” ,“Ukraine”, “Putin”, dan “Zelensky”, “Kyiv”. Tweet yang dikumpulkan merupakan tweet berbahasa Indonesia dengan batasan tweet dibuat hanya pada tanggal 24 Februari 2022. Proses pencarian
dan pengumpulan data dapat dilakukan dengan menggunakan fitur API twitter
(application programming interface).
Setelah menyelesaikan tahap proses pengambilan dan pengumpulan data,
peneliti selanjutnya melanjutkan ke tahap pre-processing data. Pada tahap
pre-processing data menyiapkan data mentah yang diperoleh kembali dalam format yang sesuai atau data untuk melakukan analisis. Tahapan yang harus dilakukan saat melakukan pre-processing data
adalah cleaning
text, to lower case text, tokenize text, slang word transform,
remove stopword, stemming, dan remove duplicates.
Pada tahap pemberian pembobotan, peneliti menentukan label dari tweet yang lolos pada tahap pre-processing sebelumnya.
Peneliti menggunakan metode perhitungan berbasis lexicon untuk melakukan pelabelan yang mencakup negatif, netral, dan positif. Untuk menentukan sentimen positif atau negatif dari
sebuah kalimat menggunakan teknik menghitung polarity score berdasarkan
nilai-nilai sentimen dari kamus lexicon.
Setelah data sudah diberi pembobotan
menggunakan metode lexicon,
selanjutnya data akan diubah bentuknya kedalam bentuk TF-IDF untuk keperluan ekstraksi fitur. Setelah itu data akan digunakan
untuk proses klasifikasi atau proses training model..
Proses ini dilakukan dengan tiga metode,
yaitu Support Vector Machine, K-Nearest
Neighbor, dan Multinomial Naïve Bayes. Setelah itu
model di uji dengan data test serta
menampilkan performance matrix dan confusion
matrixnya.
Hasil dan
Pembahasan
Data yang dicari dan digunakan untuk referensi terkait dengan perang yaitu
perang antara rusia vs ukraina dengan kata “Rusia vs Ukraina”, “Russia”,
“Rusia”, “Ukraina” ,“Ukraine”, “Putin”, dan “Zelensky”,
“Kyiv”, dan hanya pada tweet
yang dibuat pada tanggal 24 Februari 2022 saja bertepatan Rusia melakukan
invasi terhadap Ukraina. Pengambilan data dilakukan dengan menggunakan fitur API twitter versi 2 yang
didapatkan dengan mengajukan status academic research pada twitter. Untuk
mengatasi perihal limit dalam pemanggilan API twitter, penelitian ini menggunakan library twarc2 agar dapat
memudahkan dalam menyimpan data tweet yang didapat
kedalam file CSV. Dengan
keyword yang ada didapat
data tweet sebanyak 78999 dapat
dilihat pada Gambar 1.
Gambar
1. Data Mentah Hasi Pencarian dari Twarc2
Setelah menyelesaikan tahap proses pengambilan dan pengumpulan data, peneliti selanjutnya melanjutkan ke
tahap pre-processing data. Pada tahap pre-processing
data menyiapkan data mentah yang diperoleh kembali dalam format yang sesuai
atau data untuk melakukan analisis. Dengan beberapa
tahapan meliputi cleaning text, to lower
case text, tokenize text, slang word transform, remove
stopword, stemming, dan remove duplicates. Hasil dari proses
dapat dilihat pada Gambar 2 dibawah ini. Dari data awal sebanyak 78999 setelah dilakukan
preprocessing, data berkurang menjadi 73628.
Gambar
2. Hasil Preprocessing Data Mentah
Data hasil preprocessing akan diberi pembobotan
yang bertujuan untuk menilai nilai sentiment dan
memberi label yang terbagi menjadi positif, negatif, dan netral.
Memberi bobot sentiment menggunakan metode perhitungan berbasis lexicon
dengan konsep menghitung score per kata berdasarkan kamus lexicon dari InSet. Score pada kamus
lexicon InSet memiliki range -5 sampai +5 dan kamus terdiri dari 3.609 kata positif dan
6.609 kata negatif.
Setiap data tweet akan dihitung total polarity
score-nya berdasarkan hasil jumlah nilai
setiap kata pada tweet yang ada pada kamus lexicon dari InSet. Di sini S
diartikan sebagai polarity score, jadi
jika S lebih besar dari 0 maka S positif, jika S lebih kecil dari 0 maka S
negatif dan jika S sama dengan 0 maka bersifat netral. Hasil dari proses ini
dapat dilihat pada Gambar 3 dibawah ini.
Gambar
3. Hasil Pembobotan dan Pelabelan
Setelah dilakukan tahap preprocessing dan
pelabelan, data mentah yang didapat dari API Twitter
dapat dianggap sebagai dataset. Dalam tahap ini
dataset akan diekstrak seluruh informasi sehingga dapat diketahui kata yang
paling sering dibahas pada ulasan pengguna. Selain itu juga dapat memberikan
gambaran tentang dominasi sentimen yang dipaparkan pengguna media sosial twitter terhadap peristiwa Rusia vs Ukraina.
Gambar
4. Visualisasi Bar Chart Dataset
Pada Gambar 4 dari
total data sebanyak 73628 data, dapat terlihat bahwa data tweets yang memiliki
sentiment negatif lebih banyak jika dibandingkan dengan data yang memiliki
sentimen netral dan positif.
Dengan rincian data yang memiliki sentiment negatif berjumlah sebanyak 36904
data tweets, kemudian untuk data yang memiliki sentiment netral berjumlah
sebanyak 22492 data tweets, dan yang terakhir adalah
data yang memiliki sentimen positif
berjumlah sebanyak 14232 data tweets.
Gambar
5. Visualisasi
Pie Chart Dataset
Persentase kelas yang terdapat
pada dataset dapat dilihat pada Gambar 5, dengan rincian data tweet bersentimen negatif memiliki persentase tertinggi yaitu 50.1%, posisi kedua ada pada data tweet bersentimen netral dengan persentase 30.5%, dan posisi ketiga ada
pada data tweet bersentimen positif
dengan persentase hanya 19.3%. Dari paparan diatas, menandakan bahwa dataset yang didapat merupakan dataset yang imbalance atau
tidak seimbang. Selain itu dapat
disimpulkan bahwa tanggapan pengguna media sosial twitter terhadap perang Rusia vs Ukraina didominasi dengan tanggapan bersentimen negatif.
Hasil
preprocessing data membuat dataset dapat diexplore lebih dalam, salah satunya terkait dengan kata-kata pembentuk data
tweet tersebut. Dengan menghitung frekuensi kata yang muncul, dapat digunakan
untuk mendapatkan gambaran tentang apa saja keterkaitan
yang dikaitkan dengan peristiwa perang Rusia vs Ukraina berdasarkan tweet pengguna media sosial twitter. Berikut Word
Cloud dari kata yang sering muncul dari dataset dapat dilihat
pada Gambar 6.
Gambar
6. Word Cloud Keseluruhan Dataset
Berdasarkan
Gambar 6, tweet dari pengguna media sosial twitter terhadap peristiwa perang
Rusia vs Ukraina dikaitkan dengan beberapa kata atau term. Kata atau term yang
dikaitkan antara lain ‘perang dunia’, ‘world war’,
‘us’, ‘nato’, ‘belarus’,
‘china’, ‘uni soviet’, dan
‘indonesia’. Tidak secara langsung pengguna twitter
mengkaitkan peristiwa perang Rusia vs Ukraina dengan peristiwa perang dunia.
Selain itu terdapat pihak-pihak yang menurut tweet yang didapat,
dikaitkan dengan peristiwa ini yaitu antara lain Rusia,
Ukraina, NATO, Amerika, ,Uni
Soviet, Belarus, China, dan Indonesia.
Word cloud juga
dapat divisualisasikan secara terpisah berdasarkan data tweet bersentmen positif
dan negatif. Dengan
memisahkan data tweet berdasarkan sentimennya, dapat
memberikan gambaran tentang apa saja yang sering muncul dari tweet pengguna
media sosial twitter bersentimen positif maupun negative. Berikut word cloud
sentimen positif dan negatif
dari dataset dapat dilihap pada Gambar 7 dibawah ini.
Gambar
7. Word Cloud Dataset Bersentimen Positif dan Negatif
Proses
selanjutnya adalah proses transformasi TF-IDF, proses ini dilakukan dengan
beberapa proses. Tujuan proses ini adalah mengubah format dataset yang dapat
dipelajari oleh algoritma machine learning. Konsep
TF-IDF secara garis besar mengukur pentingnya atau
relevansi representasi dari sebuah kata atau terms dalam dokumen atau kumpulan
dokumen yang biasa dikenal sebagai corpus, dalam kasus ini corpus adalah
representasi dari tweet. Sebelum ke proses transformasi TF-IDF, dataset dipecah
terlebih dahulu menjadi data train dan data test.
Data train berguna sebagai data untuk melatih model, sedangkan data test
berguna sebagai data untuk menguji atau mengevaluasi model. Pembagian data
train dan data test adalah 70:30, dimana data train
berisi 70% (49330 data) dan data test berisi 30%
(24298 data) dari total data di dataset. Pembagian data menggunakan fungsi
train_test_split dari library sklearn agar pembagian data akan merata
berdasarkan labelnya.
Untuk
transformasi bentuk dataset menjadi bentuk TF-IDF, menggunakan fungsi
TfidfVectorizer dari library sklearn bagian feature extraction. Dengan
parameter max_feature bernilai 5000, yang berarti dimensi data yang dibuat
adalah matrix berukuran n x 5000, dimana n adalah total corpus atau tweet. Pada fungsi TfidfVectorizer,
max_feature merupakan limitasi total kata atau term dari frekuensi terbanyak, jika max_feature bernilai 5000 maka TF-IDF hanya
memilih 5000 kata yang sering muncul pada keseluruhan corpus atau tweet sebagai fitur. Jadi setelah proses ekstraksi fitur TF-IDF, dimensi
data train akan menjadi 49330 x 5000 dan dimensi data test akan menjadi 24298 x
5000. Hasil ekstraksi fitur menggunakan TF-IDF terhadap data train dapat dilihat pada Gambar 8.
Gambar
8. Hasil Transformasi TF-IDF pada Data Train
Klasifikasi pada penelitian ini melakukan training pada
model dengan data train yang berjumah 49330 data. Terdapat tiga metode yang
digunakan pada penelitian ini
antara lain Support Vector Machine (SVM), K-Nearest Neighbor
(KNN), dan Multinomial Naïve Bayes (MNB).
Model akan ditrain dengan parameter default dari library yang digunakan yaitu sklearn. Setelah itu Model akan diuji menggunakan data test berjumlah 24298 data yang
bertujuan untuk menebak label dari data test tersebut. Untuk menghitung
performa, label data test akan kalkulasi dengan label hasil prediksi sehingga
bisa mendapatkan metrik performa seperti recall, precision, f1-score dan accuracy.
Proses melatih model SVM dengan
parameter default menggunakan data train sebanyak 49330 data memerlukan waktu 314 detik. Setelah model dilatih, model akan diuji untuk dapat
memprediksi data, pada
model SVM waktu uuntuk melakukan prediksi terhadap data test sebanyak 24298
data adalah 53 detik dapat dilihat pada Gambar 9.
Gambar
9. Metrik Performa Model SVM
Pada Gambar 9 memperlihatkan tentang hasil metrik performa yang diperoleh
oleh model SVM dari pengujian dengan data test. Model SVM dapat memprediksi
label dari ketiga kelas dengan akurasi 90%, bermakna 10% dari total 24298 data
test telah terprediksi dengan label yang salah dan sisanya benar. Dengan detail
untuk metrik performa f1-score yang dihasilkan dari perhitungan harmonic mean
dari precision yang dan recall, dari label negatif bernilai 92%, netral 89%,
dan positif 85%. Prediksi label negatif memiliki f-1 score tertinggi yaitu 92%,
dan prediksi label positif memiliki f-1 score terendah yaitu 85%. Menandakan
model SVM sangat bagus dalam memprediksi tweet bersentimen negatif dibanding
tweet bersentimen positif maupun netral. Untuk detail hasil prediksi dari data
test dapat dilihat dengan confusion matrix yang terdapat pada Gambar 10 dibawah
ini.
Gambar
10. Confusion Matrix Model SVM
Pada Gambar 10 memperlihatkan detail nilai hasil prediksi yang terbukti
benar dan yang salah dari model SVM. Dari 12120 data test berlabel negatif,
model dapat memprediksi dengan benar sebanyak 11270 data, terprediksi salah
sebagai label netral sebanyak 555 data, dan terprediksi salah sebagai label
positif sebanyak 295 data. Dari 7510 data test berlabel netral, model dapat
memprediksi dengan benar sebanyak 6749
data, terprediksi salah sebagai label negatif sebanyak 541 data, dan
terprediksi salah sebagai label positif sebanyak 220 data. Dari 4668 data test
berlabel positif, model dapat memprediksi dengan benar sebanyak 3803 data, terprediksi salah sebagai label negatif
sebanyak 467 data, dan terprediksi salah sebagai label netral sebanyak 398
data.
Gambar 11. Metrik Performa Model KNN
Pada Gambar 11 memperlihatkan
tentang hasil metrik performa yang diperoleh oleh model KNN dari pengujian
dengan data test. Model KNN dapat memprediksi label dari ketiga kelas dengan
akurasi 48%, bermakna 52% dari total 24298 data test telah terprediksi dengan
label yang salah dan sisanya benar. Dengan detail untuk metrik performa
f1-score yang dihasilkan dari perhitungan harmonic mean dari precision yang dan
recall, dari label negatif bernilai 44%, netral 53%, dan positif 33%. Prediksi
label netral memiliki f-1 score tertinggi yaitu 53%, dan prediksi label positif
memiliki f-1 score terendah yaitu 33%. Menandakan model KNN sangat bagus dalam
memprediksi tweet bersentimen netral dibanding tweet bersentimen positif maupun
negatif. Untuk detail hasil prediksi dari data test dapat dilihat dengan
confusion matrix yang terdapat pada Gambar 12 dibawah ini.
Gambar 12. Confusion Matrix Model KNN
Pada Gambar 12 memperlihatkan
detail nilai hasil prediksi yang terbukti benar dan yang salah dari model KNN.
Dari 12120 data test berlabel negatif, model dapat memprediksi dengan benar
hanya sebanyak 3712 data, terprediksi salah sebagai label netral sebanyak 8190
data, dan terprediksi salah sebagai label positif sebanyak 218 data. Dari 7510
data test berlabel netral, model dapat memprediksi dengan benar sebanyak
6919 data, terprediksi salah sebagai
label negatif sebanyak 498 data, dan terprediksi salah sebagai label positif
sebanyak 93 data. Dari 4668 data test berlabel positif, model dapat memprediksi
dengan benar hanya sebanyak 966 data,
terprediksi salah sebagai label negatif sebanyak 371 data, dan terprediksi
salah sebagai label netral sebanyak 3311 data.
Proses melatih model MNB dengan parameter default menggunakan data train
sebanyak 49330 data memerlukan waktu 0.16 detik. Setelah model dilatih, model
akan diuji untuk dapat memprediksi data, pada model MNB waktu uuntuk melakukan
prediksi terhadap data test sebanyak 24298 data adalah 0.0004 detik dapat
dilihat pada Gambar 13.
Gambar
13. Metrik Performa Model MNB
Pada Gambar 13 memperlihatkan tentang hasil metrik performa yang diperoleh
oleh model MNB dari pengujian dengan data test. Model MNB dapat memprediksi
label dari ketiga kelas dengan akurasi 71%, bermakna 29% dari total 24298 data
test telah terprediksi dengan label yang salah dan sisanya benar. Dengan detail
untuk metrik performa f1-score yang dihasilkan dari perhitungan harmonic mean
dari precision yang dan recall, dari label negatif bernilai 78%, netral 69%,
dan positif 39%. Prediksi label negatif memiliki f-1 score tertinggi yaitu 78%,
dan prediksi label positif memiliki f-1 score terendah yaitu 33%. Menandakan
model MNB sangat bagus dalam memprediksi tweet bersentimen negatif dibanding
tweet bersentimen positif maupun netral. Untuk detail hasil prediksi dari data
test dapat dilihat dengan confusion matrix yang terdapat pada Gambar 14 dibawah
ini.
Gambar
14. Confusion Matrix Model MNB
Pada Gambar 14 memperlihatkan detail nilai hasil prediksi yang terbukti
benar dan yang salah dari model MNB. Dari 12120 data test berlabel negatif,
model dapat memprediksi dengan benar sebanyak 11311 data, terprediksi salah
sebagai label netral sebanyak 746 data, dan terprediksi salah sebagai label
positif sebanyak 63 data. Dari 7510 data test berlabel netral, model dapat
memprediksi dengan benar sebanyak 4726
data, terprediksi salah sebagai label negatif sebanyak 2700 data, dan
terprediksi salah sebagai label positif sebanyak 84 data. Dari 4668 data test
berlabel positif, model dapat memprediksi dengan benar sebanyak 1122 data, terprediksi salah sebagai label negatif
sebanyak 2794 data, dan terprediksi salah sebagai label netral sebanyak 752 data.
Pembahasan
Setelah
melakukan penelitian serta analisis sentimen terhadap peristiwa perang Rusia vs
Ukraina berbasis lexicon dan menggunakan metode
machine learning Support Vector Machine (SVM), K-Nearest Neighbor
(KNN), dan Multinomial Naïve Bayes (MNB), maka
pada bagian yang terakhir ini,
peneliti akan melakukan penjelasan tentang kesimpulan yang terkait dengan
analisis sentimen yang telah dikerjakan.
Hasil berdasarkan analisis sentimen memberikan
gambaran bahwa tanggapan masyarakat Indonesia pengguna twitter pada tanggal 24
Februari 2022 tentang peristiwa perang Rusia vs Ukraina didominasi dengan tweet
bersentimen negatif (Aditya & Wibowo,
2022).
Dengan tweet bersentimen negatif memiliki presentase terbanyak yaitu 50.1%,
tweet bersentimen netral memiliki persentase 30.5%, dan tweet bersentimen
positif memiliki persentase 19.3%. Hasil persentase sentimen diatas didapat
dari perhitungan nilai sentimen berbasis lexicon dengan total data tweet
terkumpul sebanyak 73628 data.
Dari data tweet yang
didapat, masyarkat Indonesia banyak yang mengaitkan peristiwa perang Rusia vs
Ukraina dengan peristiwa perang dunia.Terdapat juga beberapa pihak yang sering
disebut pada tweet yang didapat, seperti Rusia, Ukraina, Amerika, Nato,
Belarus, Uni Soviet, China dan Indonesia. Keterkaitan ini didapat dari hasil
perhitungan setiap kata atau term yang ada pada keseluruhan data tweet.
Sehingga subjek yang diduga dikaitkan dengan peristiwa ini merupakan kata atau
term yang memiliki frekuensi tinggi dan tampil pada visualisasi word cloud.
Hasil performa
tertinggi model machine learning didapat pada model beralgoritma SVM dengan
akurasi 90%, posisi kedua didapat pada model MNB dengan akurasi 71%, dan
diposisi terakhir didapat pada model KNN dengan akurasi hanya 48%. Hasil metrik
performa khususnya akurasi didapat dari model yang sudah di train dengan data
train dan diuji dengan data test. Data tersebut sebelumnya diolah dengan
menggunakan beberapa preprocessing dan juga menerapkan ekstraksi fitur
menggunakan TF-IDF (Gifari et al., 2022).
Dari waktu komputasi
melatih model dengan menggunakan data train sebanyak 49330 data, model KNN
memiliki waktu komputasi tercepat yaitu hanya 0.06
detik. Sedangkan model MNB memerlukan 0.16 detik dan model SVM memerlukan waktu
terlama yaitu 314 detik. Sedangkan Dari waktu komputasi menguji
model dengan menggunakan data test sebanyak 24298
data, model MNB memiliki waktu komputasi tercepat yaitu hanya 0.004 detik.
Sedangkan model KNN memerlukan 32 detik dan model SVM memerlukan waktu terlama
yaitu 53 detik.
Kesimpulan
Berdasarkan
analisis sentimen terhadap peristiwa perang Rusia vs Ukraina berdasarkan data
tweet dari masyarakat Indonesia pada tanggal 24 Februari 2022, hasil
menunjukkan dominasi tweet bersentimen negatif dengan presentase tertinggi
mencapai 50.1%, diikuti oleh tweet bersentimen netral (30.5%) dan positif
(19.3%). Banyak masyarakat mengaitkan peristiwa tersebut dengan perang dunia,
dan beberapa pihak seperti Rusia, Ukraina,
Amerika, dan lainnya sering disebut dalam tweet. Model machine learning
menunjukkan performa tertinggi pada SVM dengan akurasi 90%, disusul oleh MNB
(71%), dan KNN (48%). Waktu komputasi tercepat untuk melatih model dimiliki
oleh KNN (0.06 detik), sedangkan MNB (0.16 detik) dan SVM (314 detik)
memerlukan waktu lebih lama. Untuk pengujian model, MNB juga memiliki waktu
komputasi tercepat (0.004 detik), diikuti oleh SVM
(53 detik) dan KNN (32 detik).
Dengan demikian, kesimpulannya adalah model SVM
memiliki kinerja terbaik dalam analisis sentimen terhadap peristiwa tersebut, meskipun waktu komputasinya lebih lama
dibandingkan dengan model lainnya.
Aditya, A., & Wibowo, A. (2022).
Analisis Sentimen Menggunakan Metode Naïve Bayes Berdasarkan Opini Masyarakat
Dari Twitter Terhadap Perang Rusia dan Ukraina. Prosiding Seminar Nasional
Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 1(1), 551–558.
Alfiansyah, T. R. (2022). 5 Dampak
Perang Rusia-Ukraina Bagi Indonesia. Kompas.Com.
Bakrie, C. R., Delanova, M. O., & Yani,
Y. M. (2022). Pengaruh perang Rusia dan Ukraina terhadap perekonomian negara
kawasan Asia Tenggara. Caraka Prabu: Jurnal Ilmu Pemerintahan, 6(1),
65–86.
Creswell, J. W., & Poth, C. N. (2016). Qualitative
inquiry and research design: Choosing among five approaches. Sage
publications.
Devi, R. F. (2023). Analisis Sentimen
Terhadap Kinerja Pelayanan Di Pt Bank Rakyat Indonesia (Persero) Tbk.
Menggunakan Metode Support Vector Machine, Naive Bayes, Dan K-Nearest Neighbors.
Gifari, O. I., Adha, M., Hendrawan, I. R.,
& Durrand, F. F. S. (2022). Analisis Sentimen Review Film Menggunakan
TF-IDF dan Support Vector Machine. Journal of Information Technology, 2(1),
36–40.
Hutabarat, G. F. I. (2022). Arah Kebijakan
Luar Negeri Indonesia Pasca Perang Rusia-Ukraina Berdasarkan Perspektif
National Interest. Jurnal Al Azhar Indonesia Seri Ilmu Sosial E-ISSN, 2745,
5920.
Kusumawati, E. (2023). Kepemimpinan
Digital dalam Pendidikan: Sebuah
Analisis Bibliometrik. Journal
of Education and Teaching (JET), 4(2), 252-260.
Nandana, Y., Runturambi, A. J. S.,
& Daryanto, E. (2023). The Turmoil of Europe’s
Economy, Food and Energy Stability: Will It Ends Western Sanctions on
Russia?. International Journal of Social Service and Research, 3(5),
1290-1302.
Pamungkas, F. S., & Kharisudin, I.
(2021). Analisis Sentimen dengan SVM, NAIVE BAYES dan KNN untuk Studi Tanggapan
Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter. PRISMA,
Prosiding Seminar Nasional Matematika, 4, 628–634.
Pang, B., & LillianLee. (2008). Opinion
Mining and Sentiment Analysis. Foundations and Trends in Information
Retrieval, 1–2(2), 1–135. https://doi.org/10.1561/1500000001
Rezwanul, M., Ali, A., & Rahman, A.
(2017). Sentiment Analysis on Twitter Data using KNN and SVM. International
Journal of Advanced Computer Science and Applications, 8(6), 19–25.
https://doi.org/10.14569/ijacsa.2017.080603
Rubel, M., &
Hossain, M. S. (2022). Analyze The Causes of The
Russian-Ukraine War with Waltz's Three Images (Individual, Domestic Politics,
International System). Journal of Social Science, 3(5),
1113-1121.
Salam, A., Zeniarja, J., & Khasanah, R.
S. U. (2018). Analisis Sentimen Data Komentar Sosial Media Facebook Dengan
k-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T
Ekspress Indonesia).
Setiawan, A. R., Rintyama, B. S., &
Cahyanto, T. A. (2021). Preferensi Konsumen Terhadap Produk by.U Dan MPWR
Dengan Analisis Sentimen berbasis Multinominal Naive Bayes.
Shofiya, F., Arifianto, D., & Faruq, H.
A. Al. (2020). Perbandingan Algoritma Support Vector Machine (SVM) Dan
Multinominal Naive Bayes (MNB) Dalam Klasifikasi Abstrak Tugas Akhir.
Sugiyono. (2019). Metode Penelitian.
CV Alfabeta.
Vidyadhari, D. C. (2022). Analisis
Sentimen Konflik Rusia-Ukraina dalam Kanal Berita Online Indonesia Menggunakan
Pendekatan Berbasis Lexicon.
|
Copyright holder: Muhammad Husni Mubarok,
Jati Sasongko Wibowo (2024) |
|
First publication right: Syntax Literate: Jurnal Ilmiah Indonesia |
|
This article is licensed
under: |