Majalah Ilmiah Teknologi Elektro, Vol. 18, No. 1, Januari - April 2019

DOI: https://doi.org/10.24843/MITE.2019.v18i01.P15                                                              101

Pemanfaatan Big Data Media Sosial Dalam Menganalisa

Kemenangan Pilkada

Dewa Ayu Putri Wulandari1, Made Sudarma2, Nyoman Pramaita3

[Submission: 28-01-2019, Accepted: 15-04-2019]

Abstract—The election of the Governor and Deputy Governor of Bali will go through several stages of elections starting from the determination of the Governor and Deputy Governor of Bali to the stages of vote counting. In the election of the Governor and Deputy Governor of Bali the community can be directly involved in the voting stage which will be held on June 27, 2018 (General Commission Election or KPU, 2018). So that it raises many opinions, not only positive and neutral opinions but also negative ones. This research is expected to be able to conduct research on public opinion which contains positive, neutral and negative sentiments. In this research used tokenization preprocessing data N-gram method. N-gram is a token consisting of three words in each one token. In the stemming stages used the Nzief Adriani algorithm. For the classification process of this research used the ‘Naïve Bays Classifier (NBC) method. In testing the candidate Governor's data the highest accuracy was obtained from the classification of KBS-Ace data on data taken from twitter with 89% accuracy, 91% precision and 94% recall and lowest accuracy when KBS-Ace data calcification process on social media Face book

.

Intisari— Pemilihan Calon Gubernur dan Wakil Gubernur Bali 2018 akan melalui beberapa tahapan pemilu mulai dari penentuan bakal calon Gubernur dan Wakil Gubernur Bali hingga tahapan penghitungan suara. Dalam pemilihan Gubernur dan Wakil Gubernur Bali masyarakat dapat terlibat langsung dalam tahapan pemungutan suara yang akan dilaksanakan pada tanggal 27 Juni 2018 (KPU, 2018). Sehingga dapat memunculkan banyak komentar atau pendapat, tidak hanya komentar positif dan netral tapi juga komentar yang negatif. Penelitian ini diharapkan mampu untuk melakukan riset atas komentar masyarakat yang mengandung sentimen baik atau positif, sama sekali tidak mengandung senrimen atau netral dan mengandung sentimen buruk atau negatif. Dalam penelitian ini metode digunakan untuk preprocessing data menggunakan tokenisasi Ngram. N-gram adalah token yang terdiri dari tiga kata setiap satu token. Pada tahap stemming menggunakan algoritma Nzief Adriani. Untuk proses klasifikasinya menggunakan metode Naïve Bayes Classifier (NBC). Pada pengujian data calon Gubernur akurasi tertinggi diperoleh dari klasifikasi data KBS-Ace pada data yang diambil dari Twitter dengan nilai akurasi 89%, presisi 91% dan recall 94% dan akurasi terendah pada saat proses kalsifikasi data KBS-Ace pada media sosial Facbook

Kata Kunci— Analisa Sentimen, Calon Gubernur Bali 2018, Naive Bayes Classifier

  • I.    pendahuluan

Pemilihan Gubernur dan Wakil Gubernur Bali akan melalui beberapa tahapan pemilu mulai dari penentuan bakal calon Gubernur dan Wakil Gubernur Bali hingga tahapan penghitungan suara. Dalam pemilihan Gubernur dan Wakil Gubernur Bali masyarakat dapat terlibat langsung dalam tahapan pemungutan suara yang akan dilaksanakan pada tanggal 27 Juni 2018 (KPU, 2018). Sejak tahapan pendaftaran hingga ditetapkan calon Gubernur dan Wakil Gubernur Bali 2018 nama-nama calonnya mulai banyak diperbincangkan, baik didunia nyata maupun dunia maya. Sebelum menentukan pilihan masyarakat akan mengenal lebih jauh figur calon Gubernur dan Wakil Gubernur Bali serta program-programnya dalam tahapan kampanye. Semua orang bebas menyampaikan pendapat maupun berkomentar tentang pasangan calon Gubernur dan Wakil Gubernur Bali 2018 sehingga dapat memunculkan beberapa opini, tidak hanya komentar yang positif dan netral tapi juga komentar yang negatif. Opini-opini tersebut dapat disampaikan oleh masyarakat melalui berbagai media baik dengan cara berkomunikasi secara langsung maupun dengan memanfaatkan teknologi yang ada pada saat ini.

Media sosial menjadi tempat promosi atau kampanye yang efektif dan efisien. Salah satu hal yang menarik pada kampanye di media sosial adalah bagaimana masyarakat pengguna media sosial dapat memberikan opini atau komentar pada suatu topik tertentu. Menelusuri opini pada sosial media menjadi cara yang semakin populer untuk berbagi informasi. Opini pengguna media sosial dapat berisi penilian atau pandangan terhadap suatu topik tertentu. Melakukan analisis terhadap opini pengguna media sosial tentunya akan bermanfaat untuk mengetahui apakah penilian yang terdapat pada opini bersifat baik atau buruk bahkan tidak keduanya.

Berdasarkan dari hal-hal yang dijelaskan diatas, penelitian ini bermaksud melakukan analisis sentimen di media sosail Twitter dan Facebook untuk melihat sebuah komentar atau opini seseorang yang ditujukan kepada calon Gubernur dan Wakil Gubernur Bali 2018, komentar atau opini masyarakat bisa dimasukan katagori opini posituf, netral atau negatif. Metode yang digunakan dalam penelitian ini, untuk preprocessing data menggunakan tokenisasi N-gram. N-gram adalah token yang terdiri dari tiga kata setiap satu token. Pada tahap stemming menggunakan algoritma Nzief Adriani [1]. Untuk proses klasifikasinya menggunakan metode Naïve Bayes Classifier (NBC).

  • II.    LANDASAN TEORI

  • A.    Analisa Sentimen

p-ISSN:1693 – 2951; e-ISSN: 2503-2372

Sentimen analisa yang juga disebut opinion mining mengacu pada bidang yang luas dari pengolahan bahasa alami, komputasi linguistik dan text mining yang bertujuan menganalisa pendapat, sentimen, evaluasi, sikap, penilaian dan emosi seseorang apakah pembicara atau penulis berkenaan

dengan suatu topik, produk layanan, organisasi, individu, ataupun kegiatan tertentu [2]. Tujuan dari analisa sentimen adalah untuk menentukan perilaku atau opini dari seorang penulis dengan memperhatikan suatu topik tertentu. Perilaku bisa mengindikasikan alasan, opini atau penilaian, kondisi kecenderungan. Sentiment analysis juga dapat menyatakan perasaan emosional sedih, gembira, atau marah [3].

  • B.    Text Mining

Text Mining berpedoman pada proses pengambilan informasi dengan kualitas tinggi dari beberapa text. Informasi dengan kualitas yang tinggi biasanya dapat diperoleh dengan caea peramalan pola dan kecenderungan yang melalui sarana dengan pembelajaran pola statistik [4]. Text Mining juga sering melibatkan input dalam proses untuk penataan text (seperti persing dan fitur lingustik turunan dengan proses penambahan secara bersamaan serta proses penghilangan beberapa diantaranya seperti penyisipan subsequent ke dalam database), dalam data yang terstrukrur harus ditemtukan pola, sehingga pada akhirnya dapat mengevaluasi serta menginterpretasi output. Dengan kualitas yang tinggi kebaruan di bidang text akan berpedoman ke beberapa kombinasi relevan, kebaruan dan interestingness [5]. Text mining dengan ciri-ciri khas akan meliputi proses seperti kategorisasi teks, text clustering, ekstrasi konsep, produksi taksonomi, granular, analisa sentimen, penyimpulan dokumen dan pemodelan relasi entitas [6]

  • C.    Naïve Bayes Classifier

Naïve bayes classifier merupakan penerapan berdasarkan teorema bayes (dari statistik Bayesian) dan sering disebut classifier probabilistik dengan asumsi independen yang kuat. Model fitur independen merupakan sebuah istilah yang digaris bahawi dalam modelprobabilitas. [7]. Kehadiran atau ketidak hadiran suatu fitur tertentu dari kelas yang tidak ada hubungan nya dengan kehadiran atau ketidak hadiran fitur lainnya dalam asumsi terminologi sederhana dari sebuah Naïve Bayes Classifier [8]. Sebagai contoh sederhana jika ada sesuatu berwarna merah, berbentuk bulat serta berdiameter sekitar 4 inchi maka sesuatu itu mungkin dianggap buah apel. Bahkan fitur ini juga ketergantungan satu sama lain atau atas keberadaan fitur lain. Sebuah [9]. Naïve Bayes Classifier menganggap seluruh sifat-sifat berkontribusi mandiri untuk probabilitas bahwa buah ini adalah buah apel [10].

Menggunakan teorema Bayes , kita menulis

P(H∖X)= pWp^m                       (1)

  • III.    METODELOGI DAN PEMBAHASAN

Sistem yang dirancang ini diharapkan mampu untuk melakukan dan memberikan hasil analisis sentimen pada

calon Gubernur dan Wakil Gubernur Bali 2018 di media sosial Twitter dan Facebook berdasarkan komentar dari masyarakat yang menggunakan dan aktif pada media sosial. Komentar dari masyarakat yang diamati adalah komentar dengan Bahasa Indonesia.

Gambar 1. Contoh Gambaran Umum pada Sistem Analisa Sentimen

Penjelasan dari Gambar 1 gambaran umum pada sistem analisa sentimen yang dilakukan beserta tahapan yang dilakukan dalam penelitian ini.

  • 1.    Langkah pertama yang harus dilakukan dengan cara mengumpulkan data yang diperlukan dalam penelitian ini. Data yang diperlukan adalah komentar dari masyarkat yang menggunakan media sosial terkait calon Gubernur dan Wakil Gubernur Bali 2018. Sumber data penelitian ini adalah Media Sosial Twitter dan Facebook

  • 2.    Selanjutnya akan dilakukan tahapan preprocessing text. Untuk text ada yang diperoleh dari komentar masyarakat akan dilakukan proses seleksi kalimat, pembersihan kalimat, stemming kalimat dan normalisasi kalimat. Setelah text diolah dan sudah menjadi text yang bersih maka akan siap melakukan tahap selanjutnya

  • 3.    Setelah melakukan proses preprocessing text maka akan dilanjutkan ke tahapan proses klasifikasi. Pada proses klasifikasi dalam penelitian ini menggunakan metode Naïve Bayes Classifier untuk menentukan sentimen sebuah kalimat opini.

  • 4.    Tahapan terakhir yaitu dengan melakukan evaluasi performa Akurasi, Presisi, Recall dan error menggunakan metode Confusion Matrix pada eksperimen yang telah dilakukan

Penjelasan dan pembahasan dari hasil penelitian yang dilakukan dalam penelitian ini dengan menggunakan metode Naïve Bayes Classifier yang bertujuan untuk dapat menemukan suatu sentimen pada masyarakat pengguna media sosial yang tertuju pada Calon Gubernur dan Wakil Gubernue Bali 2018.

  • A.    Input Pada Sistem

Input Pada Sistem dalam penelitian ini dilakukan mulai dari pencarian data di media sosial Twitter dan Facebook dengan memanfaatkan Application Programming Interface (API). Data yang diambil adalah data komentar yang berkaitan dengan Calon Gubernur dan Wakil Gubernur Bali 2018 di

Majalah Ilmiah Teknologi Elektro, Vol. 18, No. 1, Januari - April 2019 DOI: https://doi.org/10.24843/MITE.2019.v18i01.P15

103


media sosial Twitter dan Facebook. Data yang diperoleh dalam

bentuk file CSV. Setelah data diperoleh maka data perlu disiapkan ke tahap preprocessing data terlebih dahulu.

  • B.    Preprocessing Data

Tahap preprocessing data digunakan untuk melakukan proses perubahan semua karakter untuk menghindari data yang kurang sempurna, gangguan pada data dan data-data yang tidak konsisten seperti merubah karakter huruf menjadi huruf kecil. Kemudian dilakukan penghapusan URL seperti @mention dan @hashtag yang ada pada tweet tersebut. Dalam proses preprosessing dokumen atau kalimat dalam penelitian ini, fungsi yang dilakukan antara lain: melakukan cleansing, case folding, tokenizing, stopword removal indexing dan stemming

  • C.    Hasil Analis Sentimen Metode Naïve Bayes Classifier

Data ysng digunakan sebanyak 1000 tweet, 500 data diambil dari media sosial Twitter dan 500 data diambil dari media sosial Facebook. Data dibagi secara seimbang setiap kelasnya. Data dibagi menjadi KBS-Ace 250 Tweet, Mantra-Kerta 250 Tweet pada media sosail Facebook dan KBS-Ace 250 Tweet, Mantra-Kerta 250 Tweet pada media sosial Twitter

Berikut adalah hasil analisa sentimen pasangan calon Gubernur dan Wakil Gubernur Bali pasangan calon KBS-Ace dan pasangan calon Mantra-Kerta pada media sosial Facebook dan Twitter dalam bentuk tabel

TABEL I

CONTOH HASIL ANALISA SENTIMEN PADA MEDIA SOSIAL

Sentimen

KBS-Ace

Mantra-Kerta

Positif

347

348

Negatif

135

126

Netral

18

28

Total

500

500

TABEL II

CONTOH HASIL ANALISA SENTIMEN PADA MEDIA SOSIAL

FACEBOOK

Sentimen

KBS-Ace

Mantra-Kerta

Positif

172

179

Negatif

67

61

Netral

11

10

Total

250

250

TABEL III

CONTOH HASIL ANALISA SENTIMEN PADA MEDIA SOSIAL TWITTER

Sentimen

KBS-Ace

Mantra-Kerta

Positif

175

169

Negatif

68

63

Netral

7

18

Total

250

250

  • D.    Pengujian Menggunakan Confusion Matrix

Pengujian menggunakan Confusion Matrix yaitu melakukan evaluasi performa Akurasi , Presisi dan Recall dari eksperimen yang telah dilakukan. Hasil pengujian Confusion Matrix dapat dilihat pada Tabel berikut

TABEL IV

CONTOH PENGUJIAN CONFUSION MATRIX PADA TOTAL MEDIA

SOSIAL

Media Sosial

Akurasi %

Presisi %

Recall %

Facebook

70

77

74

Twitter

90

92

93

Fb dan Tw

80

85

86

TABEL V

CONTOH PENGUJIAN CONFUSION MATRIX CALON GUBERNUR

PADA MEDIA SOSIAL FACEBOOK

Calon Gubernur

Akurasi %

Presisi %

Recall %

KBS-Ace

69

73

75

Mantra-Kerta

90

92

93

TABEL VI

CONTOH PENGUJIAN CONFUSION MATRIX CALON GUBERNUR

PADA MEDIA SOSIAL TWITTER

Calon Gubernur

Akurasi %

Presisi %

Recall %

KBS-Ace

89

91

94

Mantra-Kerta

84

87

90

Tabel diatas berisi informasi mengenai nilai akurasi, presisi dan recall dari masing-masing uji coba telah dilakukan. Pada Tabel 4 bagian kolom berisi informasi mengenai media sosial yang digunakan dalam penelitian ini sedangkan bagian baris berisi nilai akurasi, presisi dan recall. Pada Tabel 5 dan Tabel 6 bagian kolom berisi informasi mengenai calon Gubernur Bali 2018 sedangkan bagian baris berisi nilai akurasi, presisi dan recall.

Gamber 2. Contoh Grafik Perbandingan Klasifikasi

Dari Gambar 2 dapat dilihat bahwa nilai akurasi, presisi dan recall pada dua media sosial yaitu Facebook dan Twitter menghasilkan nilai yang berbeda dengan metode klasifikasi yang sama yaitu Naïve Bayes Classifier. Nilai akurasi tertinngi terdapat pada media sosial Twitter untuk klasifikasi data KBS-Ace, dengan nilai akurasi mencapai 89%, nilai presisi 91% dan recall 94%. Sedangkan akurasi terendah metode Naïve Bayes Classifier digunakan pada kasifikasi data

Dewa Ayu Putri Wulandari : Manfaat Bid Data…


p-ISSN:1693 – 2951; e-ISSN: 2503-2372



KBS-Ace di media sosial Facebook, dengan nilai akurasi 69%, presisi 73% dan recall 75%. Nilai akurasi adalah salah satu paramter penilain dari metode yang telah digunakan, nilai akurasi didapat dari jumlah banyaknya data yang berhasil diklasifikasi dengan benar sesuai kelas sentimennya dari seluruh jumlah data yang diklasifikasi.

  • IV.    Kesimpulan

Analisa sentimen dapat digunakan untuk mengetahui sentimen masyarakat khususnya netizen Twitter dan Facebook terhadap calon Gubernur Bali 2018. Tujuannya membantu masyarakat menentukan sentimen yang terdapat pada komentar di media sosial Twitter dan Facebook.

Nilai akurasi metode Naïve Bayes Classifier saat proses klasifikasi data keseluruhan berupa penggabungan data dari media sosial Twitter dan Facebook dengan nilai akurasi mencapai 80%, presisi 85% dan recall 88%. Sedangkan saat dilakukan pengujian terpisah di masing-masing media sosial hasil akurasi tertinggi diperoleh dari klasifikasi data pada media sosial Twitter dengan milai akurasi mencapai 90%, presisi 92% dan recall 93%. Pada media sosial Facebook nilai akurasi 70%, presisi 77% dan recall 74%. Pada pengujian data calon Gubernur akurasi tertinggi diperoleh dari klasifikasi data KBS-Ace pada data yang diambil dari Twitter dengan nilai akurasi 89% presisi 91% dan recall 94% dan akurasi terendah pada saat proses kalsifikasi data KBS-Ace pada media sosial Facbook .

REFERENSI

  • [1]    Tristiyanti, Diana Ikasari, Elisa Pratiwi dan Nur Syahri, “Analisa Sentimen Terhadap Review Restoran Fish Streat Pada Aplikasi Zomato

Menggunakan Stemming Nazief Adriani dan Naïve Bayes Classifier,” Vol.3.2017

  • [2]    Murnawan dan Ardiles Sinaga,“Pemanfaatan Analisis Sentimen Untuk Pemeringkatan Populalitas Tujuan Wisata,” Jurnal Penelitian Pos dan Informatika, vol.7, no.2, 109-120, Desember 2017

  • [3]    Ahmad Fathan, H dan Azhari SN, “Analisis Sentimen Dan Klasifikasi Katagori Terhadap Tokoh Publik Pada Twitter,” Seminar Nasional Informatika, ISSN: 1979-2328, Agustus 2014

  • [4]    Bridge, C. 2011.   Unstructured Data and the 80 Percent

Rule.[Online].Tersediadi:http://www.clarabridge.com/default.aspx?tabid =137&ModuleID=635&ArticleID =551 [diunduh : 6 Mei 2018].

  • [5]    Ida Bagus Gede Widnyana Putra, Made Sudarma dan I Nyoman Satya Kumara “Klasifikasi Text Bahasa Bali Dengan Informatin Gain dan Naïve Bayes Classifier,” Majalah Ilmiah Teknologi Elektro 2016

  • [6]    Mohammad Arif and Gaurav Bathla,”Lexcion Based Semtiment Analysis on Facebook Page,” Journal of Engineering and Applied Sciences, vol.12, no.2, 2017

  • [7]    R. Sudrajat, Rudi Rosadi and Harits Muhammad,” Implementation of Data Mining in Analyzing Social Media Users Personality with Naïve Bayes Classifier: A Case Study of Instagram Social Media,” International Journal of Computer Science Issues, Volume 13, Issue 4, July 2016

  • [8]    Vishal A. Kharde dan S.S. Sona “Analisis Sentimen dari Data Twitter: Survei Teknik,” International Journal of Computer Applications, (0975 – 8887), Volume 139 – No.11, April 2016

  • [9]    Konstantinas, Paulius dan Gintautas “SVM and Naıve Bayes Classification Ensemble Method for Sentiment Analysis” Baltic J. Modern Computing, vol.5. no.4, pp. 398–409, 2017

  • [10]    Syahmia Gusriani, Kartina Diah K.W DAN Muhammad I.Z, “Analisis Sentimen Terhadap Toko Online di Sosial Media Menggunakan Metode Klasifikasi Naïve Bayes (Studi Kasus: Facebook Page BerryBenka) “ Conference Paper September 2016

  • [11]    Agnes Rossi.T, Rizal S. dan M. Ali Fauzi,” Analisis Sentimen Tentang Opini Pilkada Dki 2017 Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naïve Bayes dan Pembobotan Emoji” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 1, No. 12, Desember 2017

ISSN 1693 – 2951

Penulis Pertama: Judul Paper dalam 4 Kata disambung titik-titik(…)