Analisis Sentimen Terhadap Undang-Undang Cipta Kerja Menggunakan Metode Naïve Bayes

I Gusti Naufhal Daffa Adnyana, Fikri Adams, Anggun Windari Oktavia, Ermatita Ermatita, Sarika Sarika

Abstract


Twitter adalah platform yang memungkinkan orang untuk mengekspresikan keinginan, pendapat, dan kritik mereka secara langsung. Disahkannya dan diundangkannya UU Cipta Kerja ini menimbulkan banyak perbedaan pendapat di masyarakat, khususnya pengguna Twitter. Tujuan dari penelitian ini adalah untuk memahami apa yang dipikirkan pengguna Twitter tentang Undang-Undang Cipta Kerja melalui hashtag #UUCIPTAKERJA. Penelitian ini membagi opini menjadi positif dan negatif, kemudian menggunakan algoritma Naïve Bayes untuk mengklasifikasikan sentiment pada tweet. Data diperoleh dengan menggunakan API yang disediakan oleh Twitter dari 5 Oktober hingga 30 November 2020. Keakuratan hasil pengujian yang diperoleh dengan menggunakan data uji adalah 80,53%, nilai recall 84,78%, dan nilai spesifisitas 73,79%.


Keywords


Twitter, Undang-Undang Cipta Kerja, Klasifikasi, Naïve Bayes

References


Indonesia, P. R. (2020). Undang Undang Republik Indonesia Nomor 11 Tahun 2020 Tentang Cipta Kerja. 1–1187. https://peraturan.bpk.go.id/Home/Details/149750/uu-no-11-tahun-2020

Matompo, O. S., & Izziyana, W. vivid. (2020). Konsep Omnibus Law Dan Permasalahan RUU Cipta Kerja. Rechstaat Nieuw (Aturan Hukum Baru), 5(1), 1–8. file:///C:/Users/ASUS/Downloads/(1) KONSEP OMNIBUS LAW DAN PERMASALAHAN RUU CIPTA KERJA.pdf

Wijaya, T. N., Indriati, R., & Muzaki, M. N. (2021). Analisis Sentimen Opini Publik Tentang Undang-Undang Cipta Kerja Pada Twitter. Jambura Journal of Electrical and Electronics Engineering Vol.3 No.2, 78-83.

Sandryan, M. K., Rahayudi, B., & Ratnawati, D. E. (2021). Analisis Sentimen Pada Media Sosial Twitter Terhadap Undang-Undang Cipta Kerja Menggunakan Algoritma Backpropagatio dan Term Frequency-Inverse Document Frequency. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol.5 No.2, 469-476.

Agarwal, B., & Mittal, N. (2016). Socio-Affective Computing Volume 2 : Prominent Feature Extraction for Sentiment Analysis (2nd ed.). Springer. http://www.springer.com/series/13199

Liu, B. (2012). Opinion spam detection. In Sentiment Analysis and Opinion Mining (Issue May). Morgan & Claypool Publishers. https://doi.org/10.1142/9789813100459_0007

Aggarwal, C. C., & Zhai, C. X. (2013). Mining text data. In Mining Text Data (Vol. 9781461432234). https://doi.org/10.1007/978-1-4614-3223-4

Sarkar, D. (2016). Text Analytics with Python: A Practical Real-World Approach to Gaining Actionable Insights from Your Data. In European Physical Journal A (Vol. 32, Issue 1). Apress. https://doi.org/10.1140/epja/i2006-10279-1

Hidayatullah, A. F., & Ma’arif, M. R. (2017). Pre-processing Tasks in Indonesian Twitter Messages.

Journal of Physics: Conference Series, 801(1). https://doi.org/10.1088/1742-6596/755/1/011001

Hidayatullah, A. F. (2015). The influence of stemming on Indonesian tweet sentiment analysis. International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), 2(August), 127–132. https://doi.org/10.11591/eecsi.v2i1.791

Melita, R., Amrizal, V., Suseno, H. B., & Dirjam, T. (2018). Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim). Jurnal Teknik Informatika, 11(2), 149–164. https://doi.org/10.15408/jti.v11i2.8623

Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter. INTEGER: Journal of Information Technology, 1(1), 32–41. https://www.researchgate.net/profile/Ghulam_Buntoro/publication/316617194_Analisis_Sentimen_Calo n_Gubernur_DKI_Jakarta_2017_Di_Twitter/links/5907eee44585152d2e9ff992/Analisis-Sentimen-Calon-Gubernur-DKI-Jakarta-2017-Di-Twitter.pdf

Gunawan, B., Pratiwi, H. S., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 4(2), 113. https://doi.org/10.26418/jp.v4i2.27526

Sabrani, A., Wedashwara W., I. G. W., & Bimantoro, F. (2020). Multinomial Naïve Bayes untuk Klasifikasi Artikel Online tentang Gempa di Indonesia. Jurnal Teknologi Informasi, Komputer, Dan Aplikasinya (JTIKA ), 2(1), 89–100. https://doi.org/10.29303/jtika.v2i1.87

Bunga, M. T. H., S, B., Djahi, & Nabuasa, Y. Y. (2018). Multinomial Naive Bayes Untuk Klasifikasi Status Kredit Mitra Binaan Di Pt . Angkasa Pura I Program Kemitraan. J-Icon, 6(2), 30–34. https://media.neliti.com/media/publications/292504-multinomial-naive-bayes-untuk-klasifikas- 2536567f.pdf

Jurafsky, D., & Martin, J. H. (2020). Speech and Language Processing: An introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition (3rd ed.). http://www.cs.colorado.edu/~martin/slp.html

Habib, A., Alalyani, M., Hussain, I., & Almutheibi, M. S. (2015). Brief review on Sensitivity, Specificity and Predictivities. IOSR Journal of Dental and Medical Sciences, 14(4), 2279–2861. https://doi.org/10.9790/0853-14456468

Rogers, A., Romanov, A., Rumshisky, A., Volkova, S., Gronas, M., & Gribov, A. (2018). RuSentiment: an enriched sentiment analysis dataset for social media in Russian. Proceedings of the 27th International Conference on Computational Linguistics, 755–763. http://www.aclweb.org/anthology/C18-1064

Koch, R. (2013). The 80/20 Principle And 92 Other Powerful Laws Of Nature. In Long Range Planning.

Quercus. https://doi.org/10.1016/s0024-6301(97)80978-8

Irawan, E., & Wahono, R. S. (2015). Penggunaan Random Under Sampling untuk Penanganan Ketidakseimbangan Kelas pada Prediksi Cacat Software Berbasis Neural Network. Journal of Software Engineering, 1(2), 92–100.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.