Klasifikasi Sentimen Opini Publik Pada Instagram Pemerintah Kabupaten Bojonegoro Menggunakan LSTM
DOI:
https://doi.org/10.34148/teknika.v13i1.699Keywords:
Analisa Sentimen, Opini Publik, Instagram, LSTM, Word2vecAbstract
Media sosial banyak membantu masyarakat dalam mendapatkan informasi terbaru terkait peristiwa atau kejadian dilingkungan sekitar maupun lebih luas. Masyarakat dapat menyampaikan pendapat mereka melalui tulisan dan dapat mengekspresikannya melalui fitur emoticon pada platform media sosial. Pemerintah Kabupaten Bojonegoro menggunakan platform Instagram sebagai salah satu sarana dalam menyampaikan informasi kepada masyarakat. Selaku pembuat kebijakan pelayanan publik membutuhkan feedback dari masyarakat agar kebijakan yang dibuat bisa tepat sasaran dan bermanfaat bagi masyarakat. Sentimen opini publik merupakan aspek penting dalam memahami respon masyarakat terhadap layanan masyarakat, program dan kebijakan yang dibuat. Peneliti mengumpulkan dan mengolah data yang diperoleh dari proses scrapping akun resmi Instagram Pemerintah Kabupaten Bojonegoro sebanyak 4.637 dataset yang selanjutnya dilakukan pelabelan data. Penelitian ini menggunakan word embbeding Word2Vec untuk mengubah teks menjadi representasi vektor dan Long Short-Term Memory (LSTM) untuk melakukan klasifikasi. Dengan menggunakan confusion matrix menunjukkan bahwa model LSTM yang dibuat hasilnya mencapai akurasi 84,16%. Hasil analisa tersebut dapat memberikan kontribusi positif dan dapat menjadi bahan pertimbangan Pemerintah Kabupaten Bojonegoro dalam upaya meningkatkan layanan masyarakat, program dan kebijakan yang dibuat.
Downloads
References
G. D’Aniello, M. Gaeta, and I. La Rocca, “KnowMIS-ABSA: an overview and a reference model for applications of sentiment analysis and aspect-based sentiment analysis,” Artif Intell Rev, vol. 55, no. 7, pp. 5543—5574, 2022.
A. Yadollahi, A. G. Shahraki, and O. R. Zaiane, “Current state of text sentiment analysis from opinion to emotion mining,” ACM Computing Surveys (CSUR), vol. 50, no. 2, pp. 1—33, 2017.
Y. Chen, J. Yuan, Q. You, and J. Luo, “Twitter sentiment analysis via bi-sense emoji embedding and attention-based LSTM,” in Proceedings of the 26th ACM international conference on Multimedia, 2018, pp. 117—125.
A. Novantirani, M. K. Sabariah, and V. Effendy, “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” eProceedings of Engineering, vol. 2, no. 1, 2015.
P. F. Muhammad, R. Kusumaningrum, and A. Wibowo, “Sentiment analysis using Word2vec and long short-term memory (LSTM) for Indonesian hotel reviews,” Procedia Comput Sci, vol. 179, pp. 728—735, 2021.
W. Suciska, “Optimalisasi Penerapan E-Government melalui Media Sosial dalam Mewujudkan Good Governance,” in Prosiding Seminar Nasional Komunikasi" Akselerasi Pembangunan Masyarakat Lokal Melalui Komunikasi dan Teknologi Informasi", 2016, pp. 374—389.
N. Y. A. Faradhillah, R. P. Kusumawardani, and I. Hafidz, “Eksperimen Sistem Klasifikasi Analisa Sentimen Twitter pada Akun Resmi Pemerintah Kota Surabaya Berbasis Pembelajaran Mesin,” SESINDO 2016, vol. 2016, 2016.
“Pengguna Media Sosial di Indonesia Capai 191 Juta pada 2022.” [Online]. Available: https://dataindonesia.id/digital/detail/pengguna-media-sosial-di-indonesia-capai-191-juta-pada-2022
G. D’Aniello, M. Gaeta, and I. La Rocca, “KnowMIS-ABSA: an overview and a reference model for applications of sentiment analysis and aspect-based sentiment analysis,” Artif Intell Rev, vol. 55, no. 7, pp. 5543—5574, 2022.
A. Yadollahi, A. G. Shahraki, and O. R. Zaiane, “Current state of text sentiment analysis from opinion to emotion mining,” ACM Computing Surveys (CSUR), vol. 50, no. 2, pp. 1—33, 2017.
Y. Chen, J. Yuan, Q. You, and J. Luo, “Twitter sentiment analysis via bi-sense emoji embedding and attention-based LSTM,” in Proceedings of the 26th ACM international conference on Multimedia, 2018, pp. 117—125.
A. Novantirani, M. K. Sabariah, and V. Effendy, “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” eProceedings of Engineering, vol. 2, no. 1, 2015.
P. F. Muhammad, R. Kusumaningrum, and A. Wibowo, “Sentiment analysis using Word2vec and long short-term memory (LSTM) for Indonesian hotel reviews,” Procedia Comput Sci, vol. 179, pp. 728—735, 2021.
W. Suciska, “Optimalisasi Penerapan E-Government melalui Media Sosial dalam Mewujudkan Good Governance,” in Prosiding Seminar Nasional Komunikasi" Akselerasi Pembangunan Masyarakat Lokal Melalui Komunikasi dan Teknologi Informasi", 2016, pp. 374—389.
N. Y. A. Faradhillah, R. P. Kusumawardani, and I. Hafidz, “Eksperimen Sistem Klasifikasi Analisa Sentimen Twitter pada Akun Resmi Pemerintah Kota Surabaya Berbasis Pembelajaran Mesin,” SESINDO 2016, vol. 2016, 2016.
“Pengguna Media Sosial di Indonesia Capai 191 Juta pada 2022.” [Online]. Available: https://dataindonesia.id/digital/detail/pengguna-media-sosial-di-indonesia-capai-191-juta-pada-2022
W. A. Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 11, pp. 4704—4713, 2018.
A. F. Hidayatullah and A. S. N. Azhari, “Analisis sentimen dan klasifikasi kategori terhadap tokoh publik pada twitter,” in Seminar Nasional Informatika (SEMNASIF), 2015.
M. Qasem, R. Thulasiram, and P. Thulasiram, “Twitter sentiment classification using machine learning techniques for stock markets,” in 2015 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2015, pp. 834—840.
I. Kurniasari, K. Kusrini, and H. Al Fatta, “Analysis of Public Opinion Sentiment on Instagram regarding Covid-19 with SVM,” JTECS: Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer, vol. 1, no. 1, pp. 67—74, 2021.
M. J. Naufal, D. Richasdy, and M. A. Bijaksana, “Sentiment Analysis of Student Satisfaction on Telkom University Language Center (LaC) Services on Instagram Using the RNN Method,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, pp. 181—190, 2022.
A. M. Rafi, S. Rana, R. Kaur, Q. M. J. Wu, and P. M. Zadeh, “Understanding global reaction to the recent outbreaks of covid-19: Insights from instagram data analysis,” in 2020 IEEE international conference on systems, man, and cybernetics (SMC), 2020, pp. 3413—3420.
G. Borah, D. Nimje, G. JananiSri, K. P. Bharath, and M. R. Kumar, “Sentiment Analysis of Text Classification Using RNN Algorithm,” in Proceedings of International Conference on Communication and Computational Technologies: ICCCT 2021, 2021, pp. 561—571.
M. A. Rahman, H. Budianto, and E. I. Setiawan “Aspect Based Sentimen Analysis Opini Publik Pada Instagram dengan Convolutional Neural Network” INSYST, vol. 1, no. 2, pp. 50—57, Dec. 2019, doi: 10.52985/insyst.v1i2.83.
F. A. Nugraha, N. H. Harani, and R. Habibi, Analisis Sentimen Terhadap Pembatasan Sosial Menggunakan Deep Learning. Kreatif, 2020.
Syaiful Imron, E. I. Setiawan, Joan Santoso, and Mauridhi Hery Purnomo, “Aspect Based Sentiment Analysis Marketplace Product Reviews Using BERT, LSTM, and CNN,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 3, pp. 586—591, Jun. 2023, doi: 10.29207/resti.v7i3.4751.
H. Liu, “Sentiment analysis of citations using word2vec,” arXiv preprint arXiv:1704.00177, 2017.
A. Nurdin, B. Anggo, S. Aji, A. Bustamin, and Z. Abidin, “Perbandingan Kinerja Word Embedding Word2vec, Glove, Dan Fasttext Pada Klasifikasi Teks,” Jurnal TEKNOKOMPAK, vol. 14, no. 2, p. 74, 2020.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 5, pp. 577—584, 2018.
A. Kulkarni, D. Chong, and F. A. Batarseh, “Foundations of data imbalance and solutions for a data democracy,” in Data democracy, Elsevier, 2020, pp. 83—106.
