Analisis Sentimen Penanganan Covid-19 Menggunakan Metode Long Short-Term Memory Pada Media Sosial Twitter

Ivan Pakpahan; Jasman Pardede

doi:10.55606/jupti.v1i1.767

Ivan Pakpahan Institut Teknologi Nasional Bandung
Jasman Pardede Institut Teknologi Nasional Bandung

DOI: https://doi.org/10.55606/jupti.v1i1.767

Kata Kunci: Analisis Sentimen, LSTM, FastText

Abstrak

Media sosial dapat dimanfaatkan untuk menyampaikan aspirasi masyarakat terhadap kebijakan pemerintah. Beberapa kebijakan pemerintah yang menyangkut regulasi penanganan covid-19 kerap kali menuai tanggapan dan kritik masyarakat terutama di media sosial twitter. Aspirasi yang disampaikan dapat memuat respon positif atau negatif. Untuk mengetahui representasi sentimen masyarakat berdasarkan respon tersebut, maka perlu dilakukan suatu teknik analisis sentimen. Metode Long Short-Term Memory (LSTM) merupakan metode Deep learning yang dapat digunakan dalam melakukan analisis sentimen. LSTM digunakan karena memiliki kelebihan dapat menyimpan informasi yang besar di dalam sel memori. Sebelum melakukan pemodelan klasifkasi, dataset harus melewati proses case folding, punctuation removal, normalization, dan stopword removal. Hal ini bertujuan untuk meringankan proses pelatihan dengan menghilangkan karakter atau kata yang tidak dibutuhkan. Selanjutnya kata divektorkan menggunakan FastText, tujuannya untuk mengubah tipe data string menjadi vektor array, sehingga kata dapat diproses di dalam LSTM. Performa akhir model diukur berdasarkan nilai precision, recall, accuracy, dan f Measure. Berdasarkan pengujian parameter dropout layer pada hidden layer terhadap 10 fold cross validation, rata-rata akurasi pengujian model yang dihasilkan dari keseluruhan k fold adalah sebesar 72.4%. dengan perfoma model maksimum yang dicapai terdapat pada k fold = 9, saat menggunakan dropout layer sebesar 0.4, dengan nilai yang dicapai adalah precision, recall, accuracy, dan f measure secara berurutan: 76.74%, 80.49%, 78.31%,, 78.57%

Referensi

[1] Chen, Q., Min, C., Zhang, W., Wang, G., Ma, X., and Evans, R. (2020). Unpacking the black box: How to promote citizen engagement through government social media during the COVID-19 crisis. ELSEVIER, 1, doi: https://doi.org/10.1016/j.chb.2020.106380
[2] Nurhajati, Lestari., Sukandar, Rudi., Oktaviani, Rani Chandra., and Wijayanto, Xenia Angelica. (2020). PERBINCANGAN ISU CORONA COVID-19 PADA MEDIA DARING DAN MEDIA SOSIAL DI INDONESIA. Lembaga Penelitian, Publikasi, dan Pengabdian Masyarakat.
[3] Adpim, B. (2021, April 14). TREN PERKEMBANGAN PENANGANAN COVID-19 DINILAI SEMAKIN BAIK. Tersedia di biroadpim.kalteng.go.id: https://biroadpim.kalteng.go.id/2021/04/tren-perkembangan-penanganan-covid-19-dinilai-semakin-baik/ [Accessed 7 Juli 2022]
[4] Liu, B. (2012). Sentiment Analysis and Opinion Mining. Cambridge: Morgan & Claypool Publishers.
[5] Muslikah, A. N. (2021). Sms Spam Detection Menggunakan Metode Long Short-Term Memory.
[6] Habibie, I. (2018). Identifikasi Judul Berita Clickbait Berbahasa Indonesia Dengan Algoritma Long Short-Term Memory (Lstm) Recurrent Neural Network.
[7] Prastyo, P., Sumi, A., Dian, A., & Permanasari, A. (2020). Tweets Responding to the Indonesian Government’s Handling of COVID-19: Sentiment Analysis Using SVM with Normalized Poly Kernel. Journal of Information Systems Engineering and Business Intelligence, 11. doi : https://doi.org/10.20473/jisebi.6.2.112-122
[8] Saputra, H. D. (2021). Implementasi Metode Multilayer Perceptron Dengan Fasttext Word Embedding Untuk Klasifikasi Ujaran Kebencian.
[9] Wibowo, A. (2017, November 24). 10 Fold-Cross Validation. Tersedia di MTI Binus: https://mti.binus.ac.id/2017/11/24/10-fold-cross-validation/ [Accessed 7 Juli 2022]
[10] Dobilas, S. (2022, Februari 7). LSTM Recurrent Neural Networks — How to Teach a Network to Remember the Past. Tersedia di: Toward Data Science: https://towardsdatascience.com/lstm-recurrent-neural-networks-how-to-teach-a-network-to-remember-the-past-55e54c2ff22e [Accessed 7 Juli 2022]