Analisa Sentimen Menggunakan Lexicon Based Untuk Melihat Persepsi Masyarakat Terhadap Kenaikan Harga Rokok Pada Media Sosial Twitter

• Main Authors: Kusumawati, Iin (Author), , Endang Wahyu Pamungkas, S.Kom., M.Kom (Author)
• Format: Book
• Published: 2017.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Connect to this object online
• Notes: https://eprints.ums.ac.id/49476/2/Surat%20Pernyataan%20Publikasi%20Ilmiah.pdf; https://eprints.ums.ac.id/49476/3/NASKAH%20PUBLIKASI.pdf
• Keywords: Q Science (General); QA Mathematics; QA76 Computer software; T Technology (General); TN Mining engineering. Metallurgy

Perkembangan teknologi memberi dampak pada kemudahan mengakses dan membagi informasi, terutama media sosial twitter. Pesan yang dikirim pada twitter dapat berupa berita terkini, gagasan, opini maupun curahan hati. Menurut situs alexa, twitter berada pada peringkat kedelapan situs global. Dan menurut situs eBizMBA, pengguna twitter pada periode September 2016 mencapai jumlah 310 juta. Informasi yang tertuang pada media sosial sebagian besar berupa opini. Dari banyaknya opini, dapat dimanfaatkan pihak-pihak tertentu untuk mengevaluasi keadaan kedepannya. Keadaan ini dapat berupa keadaan negatif maupun positif. Maka dari itu, diperlukan adanya teknik untuk dapat menggolongkan opini sesuai sentimen positif atau sentimen negatif. Teknik yang digunakan yaitu opinion mining dan sentiment analysis. Salah satu metode dari sentiment analysis yaitu lexicon based. Lexicon based didasarkan pada orientasi kontekstual sentimen pada jumlah orientasi sentimen pada setiap kata atau kalimat. Oleh karena itu, penelitian ini mencoba menganalisis persepsi masyarakat kedalam kelas sentimen menggunakan metode lexicon based dengan SentiWordNet. Dataset yang digunakan adalah tweets mengenai kenaikan harga rokok dalam bahasa indonesia berjumlah 350 buah. Data diklasifikasikan sesuai SentiWordNet pada tiap-tiap kata dalam kalimat. Untuk kata yang memiliki lebih dari satu arti maka synset dipilih berdasarkan metode First Sense dari SentiWordNet yang muncul paling popular. Hasil dari penelitian ini adalah perolehan nilai accuracy tertinggi sebesar 81% untuk tipe opini netral. Sedangkan nilai precision dan recall, tipe opini negatif mempunyai nilai lebih tinggi dibandingkan tipe opini lain dengan nilai precision yaitu 53% dan nilai recall sebesar 57%.