Digilib | Universitas Negeri Surabaya

Jenis Dokumen

Disertasi
Karya Akhir S1
Karya Akhir S2
Karya Akhir S3
Skripsi
Tesis
Tugas Akhir D3
Tugas Akhir D4

Fakultas

Ilmu Pendidikan
Bahasa & Seni
Matematika dan Ilmu Pengetahuan Alam
Ilmu Sosial & Politik
Hukum
Psikologi
Teknik
Ekonomika dan Bisnis
Ilmu Keolahragaan dan Kesehatan
Vokasi
Pascasarjana

Analisis Emosi Terhadap Kebijakan PPKM Pada Cuitan di Twitter Menggunakan Term Frequency-Inverse Document Frequency dan Support Vector Machine

Kode Dokumen : 0055/FMIPA-MAT/2022

Penulis Utama : ABI NIZAR SUTRANGGONO

NIM Penulis Utama: 18030214052

Tahun : 2022

Judul ID :

Analisis Emosi Terhadap Kebijakan PPKM Pada Cuitan di Twitter Menggunakan Term Frequency-Inverse Document Frequency dan Support Vector Machine

Judul EN :

Emotion Analysis of PPKM Policies on Tweets Using Term Frequency-Inverse Document Frequency and Support Vector Machine

Sumber : UNESA - Fakultas Matematika dan Ilmu Pengetahuan Alam - Jurusan S1 Matematika - 18030214052 - 2022

Jenis Dokumen : Skripsi

Abstrak ID :

Untuk menangani kasus Covid-19 yang semakin melonjak, pemerintah Indonesia mencanangkan kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) Darurat. Beragam kontroversi dan protes dari sekelompok warga ikut mewarnai pelaksanaan PPKM Darurat ini. Di sisi lainnya, beberapa Netizen menyampaikan kekesalan atau pendapat mereka terhadap pelaksanaan kebijakan PPKM Darurat pada media sosial. Twitter adalah salah satu platform media sosial dengan total pengguna aktif harian terbesar. Twitter memfasilitasi penggunanya untuk membagikan pesan yang disebut dengan tweet atau cuitan. Emosi yang terkandung dalam suatu tweet bisa dikenali melalui proses analisis sentimen. Analisis sentimen melibatkan penggunaan metode Natural Language Processing (NLP) untuk menafsirkan emosi seseorang atau kelompok secara sistematis. Penelitian ini melakukan analisis sentimen yang berkenaan dengan kebijakan PPKM berdasarkan data cuitan untuk memahami bagaimana kondisi emosional masyarakat Indonesia ketika PPKM Darurat berlangsung. Algoritma klasifikasi Machine Learning yang digunakan untuk mengklasifikasikan emosi adalah Support Vector Machine (SVM) dan Random Forest. Representasi numerik dari data teks dicari dengan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan FastText. Untuk meningkatkan kinerja dari tiap classifier dalam melakukan klasifikasi sentimen, penelitian ini juga mengimplementasikan proses reduksi dimensi. Selebihnya, metode reduksi dimensi yang dibandingkan adalah metode ekstraksi fitur PCA serta metode seleksi fitur ANOVA dan Chi-Square. Berdasarkan hasil eksperimen, metode terbaik untuk merepresentasikan data teks ke dalam bentuk angka adalah TF-IDF. Sesudah menerapkan metode seleksi fitur Chi-Square, performa classifier SVM dengan fungsi kernel linier yang dirancang menggunakan fitur TF-IDF mengungguli classifier lainnya dengan akurasi sebesar 0,7528. Dari hasil klasifikasi emosi pada data cuitan yang berhubungan dengan PPKM Darurat, diungkapkan bahwa sebagian besar sentimen yang disampaikan oleh masyarakat Indonesia di Twitter termasuk ke dalam sentimen berlabel emosi sadness dengan proporsi jumlah tweet 36,33% dan anger dengan proporsi jumlah tweet 35,16%.

Abstrak EN : To deal with the rising number of COVID-19 cases, the Indonesian government implemented the Imposing Restrictions on Emergency Community Activities (PPKM) policy. Several controversies and protests from a group of citizens coloured the implementation of this Emergency PPKM. On the other hand, some Netizens expressed their frustration or opinion towards the implementation of the Emergency PPKM policy on social media. Twitter is one of social media platforms with the highest total daily active users. Twitter allows its users to share messages known as tweets. Sentiment analysis can be used to identify the emotions expressed in a tweet. Sentiment analysis involves the use of Natural Language Processing (NLP) methods to systematically interpret a person’s or group’s emotions. This study conducted a sentiment analysis related to the Emergency PPKM policy based on tweet data to understand how the emotional condition of Indonesian people when the Emergency PPKM takes place. Random Forest and Support Vector Machine are the two Machine Learning classification algorithms that are used to classify emotions. Numerical representations of text data are sought by the Term Frequency-Inverse Document Frequency (TF-IDF) and FastText methods. In order to improve the performance of each classifier in classifying sentiment, this study also implemented a dimensional reduction process. Furthermore, the dimension reduction methods compared are PCA feature extraction, ANOVA, and Chi-Square feature selection. Based on the experiment result, TF-IDF is the best method for converting text data to numbers. After applying the Chi-Square feature selection method, SVM classifier performance with linear kernel function built using TF-IDF features outperforms other classifiers with an accuracy of 0,7528. The classification of emotions on tweet data related to the Emergency PPKM revealed that the majority of the sentiments conveyed by Indonesians on Twitter belonged to sentiments labelled into sadness emotion with proportion of tweets is 36,33% and anger emotion class with proportion of tweets is 35,16%.

Tautan Artikel

File Abstrak

File Lampiran