9 BAB II
KAJIAN PUSTAKA 2.1 Tinjauan Pustaka
Dalam penelitian ini dilakukan literature review untuk memahami penelitian- penelitian yang telah dilakukan sebelumnya. Beberapa penelitian yang dapat dijadikan sebagai acuan untuk penelitian ini adalah sebagai berikut :
Sentimen Analisis Berbasis Big Data, merupakan judul penelitian yang dilakukan oleh Petrix Nomleni dkk (2015). Penelitian ini membahas mengenai klasifikasi keluhan masyarakat (positif maupun negatif) terhadap pemerintah pada media sosial Facebook dan Twitter, dan menggunakan metode Support Vector Machine (SVM) yang dijalankan secara komputasi yang terdistribusi dengan menggunakan Hadoop. Pengujian dilakukan dengan perhitungan precision, kecepatan, akurasi. Hal ini bertujuan untuk mengetahui sejauh mana kehandalan metode yang diusulkan untuk mencapai peningkatan kecepatan dan akurasi klasifikasi.
Big Data, Data Analyst, and Improving Competence Of Librarian, merupakan judul penelitian yang dilakukan oleh Albertus Pramukti Narendra (2015). Penelitian ini membahas mengenai langkanya profesi sebagai analis data di Indonesia, dan hal ini dirasa sangat dibutuhkan. Tugas utama dari analis data itu sendiri adalah melakukan analisis visual dari berbagai sumber data dan menyajikan hasil analisanya secara visual, dimana hasil tersebut dapat dijadikan sebagai pengetahuan. Merujuk pada negara-negara maju, seorang pustakawan juga dianggap sebagai analis data. Hal tersebut diharapkan dapat terjadi di Indonesia.
Penelitian ini beranggapan, meskipun seorang pustakawan sudah di fasilitasi dengan adanya dasar manajemen informasi, pustakawan tersebut diharapkan mampu untuk melihat peluang untuk meningkatkan serta mengembangkan kemampuan diri sebagai analis data, dengan berbagai keterampilan seperti cloud computing ataupun smart computing. Pada akhirnya, pustakawan yang memiliki
kemampuan dalam hal analis data, mampu menjadikan sumber data yang kompleks menjadi sebuah pengetahuan yang menarik untuk dipelajari.
Cloud Based Big Data Analytics For Smart Future Cities, merupakan penelitian yang dilakukan oleh Zaheer Khan dkk (2013). Penelitian ini membahas mengenai teori perspektif pada smart cities yang berfokus pada pengolahan dan analisa Big Data yang mengusulkan analisa pelayanan berbasis cloud computing yang dapat dikembangkan dan menghasilkan kecerdasan dalam penyebaran informasi serta mendukung pembuat keputusan dalam smart cities di masa depan.
Dasar pemikirannya adalah kebutuhan akan suatu software yang mampu mengumpulkan, menyimpan, menganalisa, serta menggambarkan data dalam jumlah yang besar dari lingkungan suatu kota, berbagai lembaga dan lembaga IT.
Hal ini dikarenakan fasilitas yang ada sebelumnya jarang memberikan informasi yang sesuai untuk menangani pertumbuhan suatu kota.
Big Data In The Cloud, merupakan penelitian yang dilakukan oleh Victor Chang dkk (2016). Dalam penelitian ini membahas mengenai pentingnya big data dalam beberapa tahun kedepan. Big data mampu untuk diterapkan pada beberapa aplikasi, pelayanan, percobaan / penelitian, dan simulasi penerapan big data dalam cloud computing, serta dapat mendukung kasus-kasus yang terkait dengan penggunaan big data. Penerapan big data dalam cloud computing memungkinkan adanya pengaksesan, performa, dan efisiensi yang lebih baik ketika dilakukan analisis dan pemahaman terhadap data. Terdapat batasan-batasan yang sangat tipis antara private clouds, public clouds, dan internet of thing (IoT). Volume, variety, velocity, veracity dan value merupakan faktor-faktor utama dalah sistem big data, namun masih ada hal lain yang harus dipertimbangkan. Dalam penelitian ini dijelaskan juga bahwa terdapat masalah-masalah dalam big data yaitu, mencari serta memproses big data, menerapkan, memodelkan, alur kerja sistem, model visualisasi, simulasi, serta aspek-aspek dalam media sosial.
Big-Data – Theoretical, Engineering and Analytics Perspective merupakan judul penelitian yang dilakukan oleh Vijay Srinivas Agneeswaran (2012). Secara umum penelitian ini membahas mengenai peningkatan kecepatan jaringan
komputer, peningkatan daya pemrosesan melalui multi-core, serta peningkatan kemampuan end-users dalam memanfaatkan big data, dan semua itu dipengaruhi oleh munculnya jaringan sosial. Fokus dari penelitian ini adalah bagaimana menggali sejumlah tren yang fundamental, yang menyebabkan kehebohan atau keramaian mengenai big data dalam kenyataan, serta menjelaskan hal tersebut dengan analisa, rekayasa, dan kecenderungan teoritis dalam suatu kasus.
Cloud Computing and Big Data Analytics: What Is New from Databases Perspective? Merupakan judul penelitian yang dilakukan oleh Rajeev Gupta dkk (2012). Penelitian ini membahas mengenai bagaimana tempat penyimpanan data mampu menampung jumlah data yang besar. Penelitian ini menawarkan 2 jenis sistem sebagai kerangka dalam menganalisa big data. Pertama, Sistem NoSQL yaitu interaktif data dalam melayani lingkungan. Kedua, sistem dengan skala analisa yang besar berdasarkan paradigma MapReduce. Seperti halnya Hadoop, sistem NoSQL dirancang untuk memiliki kesederhanaan berdasarkan model data yang telah dibangun sehingga pekerjaan lebih mudah didistribusikan ke tujuannya dengan berbasiskan cloud computing. Dasar pemikiran ini adalah mulai banyaknya industri-industri yang membuat data dalam jumlah yang besar. Menganalisa data dalam jumlah yang besar dapat memberikan wawasan baru dibidang tertentu. Hal tersebut sangat dibutuhkan.
Faceted Browsing over Social Media merupakan judul penelitian yang dilakukan oleh Ullas Nambiar dkk (2012). Penelitian ini membahas mengenai popularitas media sosial sebagai sarana untuk saling berbagi informasi. Maka dari itu disediakan sebuah sistem yang dapat mengembalikan posting-an yang telah dibagikan sebelumnya dengan berdasarkan hal-hal yang ingin dicari. Faceted Model diberikan dalam penelitian ini sebagai konsepnya, yang tentunya mudah digunakan, konsisten, serta menyaring informasi dari media sosial.
Processing and Analytics of Big Data Streams with Yahoo!S4 merupakan judul penelitian yang dilakukan oleh Fatos Xhafa dkk (2015). Penelitian ini membahas mengenai aliran data yang besar yang dihasilkan oleh aplikasi-aplikasi berbasis internet, yang lebih dikenal dengan big data streams. Biasanya aplikasi-aplikasi
tersebut terdiri dari sistem monitoring yang berbasis internet of things (IoT), analisis data dari monitoring online, sistem monitoring penerbangan global, dan lain sebagainya. Yang menjadi perbedaan dari pemrosesan big data yang tersedia dalam database, sistem file dan sebagainya, biasanya sebelum pemrosesan dalam big data streams aliran datanya tidak terikat dan itu akan di proses sebagai data yang tersedia untuk di proses. Selain hal tersebut, untuk pemrosesan data dalam jumlah yang besar, big data streams menambahkan sesuatu untuk mengatasi permasalahan yang besar untuk memudahkan dalam pengambilan keputusan.
Sementara untuk pemrosesan big data, dalam framework MapReduce, dihasilkan sesuatu yang dapat dikatakan berhasil. Pemrosesan batch menunjukan keterbatasan untuk memproses big data streams. Maka dari itu disediakan alternatif framework seperti Yahoo!S4, TwitterStorm, dan lainya untuk pengolahan big data streams.
Yahoo!S4 diimplementasikan dan dievaluasi untuk pemrosesan big data streams dan menunjukannya dari sistem monitoring penerbangan global.
Research Directions on the Adoption, Usage and Impact of the Internet of Things through the Use of Big Data Analytics merupakan judul penelitian yang dilakukan oleh Frederick J. Riggins dkk (2015). Dalam penelitian ini dikatakan bahwa pada tahun 2020, jumlah perangkat yang akan terhubung dengan Internet of Things (IoT) akan meningkat hingga kurang lebih sebanyak 75 milyar. Jauh sebelum itu, analisis big data akan dibutuhkan dengan menggunakan data yang dihasil dari Internet of Things. Untuk masalah teknis diperlukan pemahaman yang lebih mengenai penerapan, penggunaan dan dampak dari IoT tersebut. Kerangka kerja yang diusulkan adalah berdasarkan pada gagasan bahwa teknologi akan berkembang dari “Things” yang dipantau, ke “Network of Thing”, dan pada akhirnya menjadi sebuah “Internet of Things”. Setiap instansi yang bergerak dibidang teknologi, yang membangkitkan penerapan, penggunaan, serta dampak dari IoT, dapat dicermati pada empat tingkat analisis yaitu, individu, organisasi, industri, serta masyarakat.
Analisis Data Twitter : Ekstraksi dan Analisis Data Geospasial merupakan judul penelitan yang dilakukan oleh Edi Surya Negara dkk (2016). Penelitian ini
membahas mengenai pemanfaatan data geospasial pada twitter sebagai media sosial untuk mengetahui informasi lokasi yang merupakan sumber munculnya persepsi publik terhadap sebuah permasalahan di media sosial. Besarnya jumlah data spasial yang dihasilkan memberikan kesempatan yang besar dapat dimanfaatkan untuk menghasilkan sebuah informasi yang lebih bernilai, dan semua itu diproses melalui Twitter Data Analytics. Proses pemanfaatannya dimulai dengan melakukan proses ekstraksi terhadap informasi spasial berupa titik koordinat setiap pengguna twitter.
Titik koordinat tersebut didapatkan dari sharing location. Untuk mengekstrak dan menganalisis data geospasial pada twitter dibutuhkan pengetahuan dan kerangka kerja tentang social media analytics (SMA). Pada penelitian ini dilakukan ekstraksi dan analisis data geospasial twitter terhadap suatu isu publik yang sedang berkembang, serta mengembangkan software yang digunakan untuk mendapatkan data geospasial yang ada pada twitter. Ada empat tahap dalam proses ekstraksi dan analisis yang akan dilakukan yaitu : penarikan data (crawling), penyimpanan (storing), analisis (analyzing), dan visualisasi (vizualizing). Sifat dari penelitian ini adalah exploratory, berfokus pada pengembangan teknik ekstrasi dan analisis terhadap data geospasial twitter.
Value co-creation between firms and customers : The role of big data-based cooperative assets merupakan judul penelitian yang dilakukan oleh Kang Xie dkk (2016). Penelitian ini membahas mengenai bagaimana penerapan big data untuk mempromosikan nilai hubungan yang akan diciptakan oleh perusahaan terhadap pelanggannya. Penelitian ini mengusulkan sebuah teori untuk kerangka kerja dalam big data berdasarkan bukti-bukti aset yang ada dalam beberapa kasus. Terdapat empat jenis sumber daya dalam big data, dan empat jenis sumber daya ini dikaitkan dengan sebuah platform digital, lalu memahami secara keseluruhan untuk mengembangkan aset perusahaan dengan mengubah sumber daya big data itu sendiri. Dalam penelitian ini juga menawarkan teori perspektif baru untuk penilaian hubungan yang diciptakan perusahaan terhadap pelanggannya serta strategi alternatif yang lebih kompetitif di era big data untuk perusahaan.
Memanfaatkan Big Data Untuk Mendeteksi Emosi merupakan judul penelitian yang dilakukan oleh Aprianti Putri Sujana (2013). Penelitian ini membahas mengenai layanan sosial media yang merupakan sumber daya yang besar dalam menyediakan data yang besar dan data tersebut dapat dimanfaatkan untuk berbagai kebutuhan dengan berbagai tujuan. Pemanfaatan data yang besar tersebut dalam penelitian ini adalah pemanfaatan data yang tersimpan di microblogging twitter untuk mendeteksi emosi melalui hastag menggunakan algoritma Naive Bayes dan Libliniar.
Big Data : Inkonsistensi Data dan Solusinya merupakan penelitian yang dilakukan oleh Bawono Adi Sanjaya dkk (2015). Penelitian ini membahas peningkatan eksponensial dari data yang dihasilkan setiap tahunnya. Peningkatan yang pesat tersebut dipengaruhi oleh transaksi data di internet yang terjadi secara masif, bervariasi, serta memiliki struktur yang kompleks ketika data tersebut masuk ke dalam media peenyimpanan, hai ini yang disebut dengan Big Data. Data yang besar ini muncul dari berbagai sumber serta memiliki sifat yang heterogen.
Berdasarkan sifatnya yang heterogen, ketidak konsistenan dapat saja terjadi.
Ketidak konsistenan ini dapat menyulitkan dalam analisa terhadap data yang memungkinkan hasil analisa tersebut dapat digunakan sebagai bahan pengambilan suatu keputusan, karena dengan ketidak konsistenan tersebut maka informasi dari data akan sulit diketahui kebenarannya, dengan kata lain sulit untuk dipercaya.
Inkonsistensi data biasanya dihasilkan oleh adanya data yang redundan. Maksud dari redundan itu sendiri adalah penumpukan data yang sama dan tidak dibutuhkan dalam database, maka dari itu desain database diperlukan suatu metode yang dapat mengatasi redundansi data. Algoritma yang ditawarkan dalam mengatasi inkonsistensi data tersebut adalah sebuah algoritma yang telah dikembangkan dalam bentuk framework yaitu, inconsistency-induced learning atau i2Learning yang merupakan adopsi dari machine learning. Framework ini mengakomodasikan pembelajaran yang dilakukan secara terus menerus tanpa henti sehingga kemungkinan untuk menemukan inkonsistensi data akan sangat besar. Framework i2Learning dalam pengembangannya memiliki ide yang menarik yaitu pengidentifikasian terhadap penyebab inkonsistensi data.
Internet-Based Anti-Counterfeiting Pattern with Using Big Data in China merupakan penelitian yang dilakukan oleh Hongyu Liang (2015). Penelitian ini membahas mengenai perdagangan berbasis cloud yang secara luas diterima sebagai pendekatan bisnis di Cina. Cakupan layanan online yang luas serta sifatnya yang fleksibel telah memberikan banyak keuntungan dalam e-commerce. Meskipun memberikan banyak keuntungan, namun e-commerce yang berbasiskan cloud juga memberikan dampak yang merugikan yaitu banyaknya pemalsuan yang tentunya membahayakan bagi perusahaan-perusahaan e-commerce di Cina. Penelitian ini memberikan sebuah mekanisme model untuk mencegah secara aktif pemalsuan yang terjadi tersebut, yaitu Anti-Counterfeiting Payoff Function Platform Model dengan algoritma Reputation Protection Algorythm (RPA). Hasil yang didapatkan dari model yang digunakan setelah diterapkan pada suatu kasus terbukti efisien.
Analisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine merupakan penelitian yang dilakukan oleh Noviah Dwi Putranti dkk (2014). Penelitian ini membahas mengenai analisis sentimen yang merupakan proses pengelompokan dokumen tekstual yang dikelompokan menjadi 2 kelompok yaitu sentimen positif dan sentimen negatif.
Data yang didapatkan pada penelitian ini bersumber dari media sosial Twitter dengan menggunakan query dalam bahasa Indonesia. Tujuan dilakukan penelitian ini adalah untuk menentukan sentimen publik terhadap suatu objek tertentu yang disampaikan melalui Twitter dalam bahasa Indonesia, guna membantu dalam melakukan riset pasar berdasarkan opini publik. Proses Preprocessing dan POS tagger dilakukan terhadap data yang telah dikumpulkan untuk menghasilkan model klasifikasi melalui proses pelatihan. Pengumpulan kata yang memiliki sentimen dilakukan dengan melakukan pendekatan berdasarkan kamus, dan jumlah kata yang terkumpul adalah 18.069 kata. Algoritma Maximun Entropy digunakan untuk POS tagger sedangkan untuk membangun model klasifikasi terhadap data pelatihan adalah algoritma Support Vector Machine. Untuk fitur yang digunakan adalah unigram dengan fitur pembobotan TFIDF. Implementasi dalam klasifikasi pada pengujian yang dilakukan memiliki nilai akurasi 86,81%, sedangkan nilai akurasi pelabelan kelas secara manual dengan POS tagger adalah 81,67%.
Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstrasi Data Opini Publik pada Perguruan Tinggi merupakan penelitian yang dilakukan oleh Imam Fahrur Rozi dkk (2012). Penelitian ini membahas mengenai pentingnya topik Opinion Mining atau Sentimen Analisis yang sedang sering dilakukan. Opinion Mining merupakan cabang penelitian dari Text Mining. Fokusnya adalah melakukan analisa terhadap opini dari suatu dokumen yang berupa teks. Ada 3 subproses dalam opinion mining, yaitu document subjectivity, opinion orientation dan target detection. Opinion Mining ini banyak digunakan dalam dunia bisnis untuk menganalisis secara otomatis opini pelanggan mengenai produk dan pelayanan dari perusahaan tersebut. Penelitian ini mengembangkan sistem opinion mining untuk menganalisis opini publik pada perguruan tinggi. Pada subproses document subjectivity dan target detection digunakan Part-of-Speech (POS) Tagging menggunakan Hidden Makov Model (HMM), dan hasil proses tersebut diterapkan aturan / rule untuk menentukan suatu dokumen termasuk kategori opini atau bukan, serta mengetahui pada bagian kalimat mana yang merupakan opini.
Dokumen yang termasuk dalam kategori opini tersebut selanjutnya akan dikelompokan lagi dalam kategori opini positif atau opini negatif yang dilakukan pada subproses opinion orientation menggunakan Naive Bayes Classifier (NBC).
Setelah dilakukan proses pengujian didapatkan hasil nilai precission dan recall untuk subproses document subjectivity adalah 0.99 dan 0.88, subproses target detection adalah 0.92 dan 0.93, dan subproses opinion orientation adalah 0.95 dan 0.94.
Indonesian Sosial Media Sentiment Analysis with Sarcasm Detection merupakan penelitian yang dilakukan oleh Edwin Lunando dkk (2013). Penelitian ini membahas mengenai Sarkasme atau sentilan yang dilakukan di media sosial untuk orang Indonesia sering digunakan untuk mengkritik suatu hal atau topik tertentu dan sarkasme atau sentilan ini dianggap sebagai masalah yang sulit dalam analisis sentimen. Penelitian ini menambahkan fitur-fitru baru terhadap analisis sentimen yang telah dilakukan sebelumnya, fitur tersebut adalah kenegatifan dari suatu informasi dan jumlah kata. Dalam penelitian ini juga menggunakan terjemahan SentiWordNet untuk mengklasifikasikan sentimen. Proses
pengklasifikasian tersebut menggunakan algoritma machine learning. Hasil percobaan menunjukan bahwa penambahan fitur-fitur tersebut sangat efektif dalam mendeteksi suatu sarkasme atau sentilan.
Statistical Text Analysis and Sentiment Classification in Social Media merupakan penelitian yang dilakukan oleh Sang-Hyun Cho dkk (2012). Penelitian ini membahas mengenai metode baru yang diusulkan untuk mengklasifikasikan kecenderungan ataupu pendapat-pendapat yang berupa teks, baik itu formal maupun informal, yang didapatkan dari media sosial. Untuk mengekstrak informasi kontekstual dari teks, dilakukan gambaran secara terkomputasi berdasarkan key word, posisi kalimat, dan aliran sentimen dari beberapa teks yang ada. Setelah proses tersebut, selanjutnya adalah proses pengklasifikasian dengan menggunakan support vector machine (SVM) Classifier dengan klasifikasi positif, negatif, maupun netral. Setelah proses pengujian ternyata metode ini baik untuk digunakan.
A Survey on Sentiment Analysis and Opinion Mining Techniques merupakan penelitian yang dilakukan oleh Amandeep Kaur dkk (2013). Penelitian ini membahas mengenai sentimen analisis yang merupakan aplikasi dari Natural Language Processing (NLP), yang telah berkembang dan menjadi hal yang menarik dalam satu dekade terakhir. Sentimen analisis juga dikenal sebagai opinion mining, mood extraction, dan emotion analysis. Pada dasarnya, opinion mining mengelompokan setiap teks kedalam positif, negatif, maupun netral. Secara otomatis hal ini dapat menjadi pengambil keputusan yang dilakukan oleh manusia.
Opinion mining merupakan aspek yang penting untuk melihat, merekam pendapat publik, pengembangan produk dan pemasarannya, gerakan politik, kegiatan sosial, dan strategi suatu perusahaan. Penelitian ini menggunakan SentiWordNet dan telah berhasil diterapkan dalam bahasa Hindi, Telugu, dan Bengali. SentiWordNet sendiri telah dibuat untuk 57 bahasa. Struktur 5W merupakan solusi yang lebih dapat diterima antar domainnya. Keberhasilan dari Algoritma Genetik dapat diperkirakan berdasarkan fakta bahwa sistem yang berbasis pada algoritma ini memiliki performa yang tertinggi untuk bahasa Inggris dan Bengali.
Sistem Opinion Mining dengan Metode Pos Tagging dan SVM Untuk Ekstraksi Data Opini Publik pada Layanan JKBM merupakan penelitian yang dilakukan oleh Luh Ria Atmarani dkk (2017). Penelitian ini membahas mengenai opinion mining yang dapat digunakan untuk mengekstrak data menjadi sebuah informasi. Metode yang digunakan adalah Hidden Markov Model (HMM) yang digunakan untuk memberikan klasifikasi kata dari setiap kalimat berdasarkan grammar-nya. Setelah itu digunakan rule based untuk mengklasifikasikan sebuah kalimat termasuk sebuah pendapat atau tidak. Support Vector Machine (SVM), digunakan untuk mengklasifikasikan pendapat termasuk opini positif atau opini negatif. Data yang digunakan adalah data penanganan keluhan dan pendapat online dari Unit Pelayanan Teknis Asuransi Kesehatan Bali Mandara, Provinsi Bali. Hasilnya diuji dengan tiga metode yaitu, precission, recall, dan Accuracy. Didapatkan presentase rata-rata sebesar 89 % untuk ketiga metode uji. Hal ini menunjukan bahwa metode Tagging Post dan SVM dapat mengklasifikasikan kalimat kedalam pendapat dan menentukan pendapat kedalam opini positif atau negatif.
Methodological Study Of Opinion Mining And Sentiment Analysis Techniques merupakan penelitian yang dilakukan oleh Pravesh Kumar Singh dkk (2014).
Penelitian ini membahas mengenai berbagai teknik yang dapat digunakan untuk opinion mining dan sentimen analisis, seperti Naive Bayes Classifier, Support Vector Machine, Multilayer Perceptron, dan Clustering. Hal ini berdasarkan pandangan penulis, bahwa dalam setiap pengambilan keputusan diperlukan berbagai pendapat. Sumber pendapat yang berlimpah dapat didapatkan dari berbagai forum sosial, yang salah satunya adalah Twitter. Pendapat-pendapat ini biasanya digunakan untuk pengembangan bisnis.
Opinion Mining Pada Review Buku Menggunakan Algoritma Naïve Bayes merupakan penelitian yang dilakukan oleh Dinda Ayu Muthia (2016). Penelitian ini membahas mengenai maraknya penggunaan internet yang saat ini sedang terjadi, jumlah konsumen yang menulis opini dan pengalaman secara online meningkat secara terus menerus. Membaca review secara keseluruhan membutuhkan waktu, namun, jika hanya sedikit review yang dibaca, maka evaluasi dan pemahaman akan
bias. Analisa sentimen bertujuan untuk mengatasi masalah yang ada dengan secara otomatis mengelompokkan review pengguna menjadi opini positif dan negatif.
Pengklasifikasi Naïve Bayes adalah teknik machine learning yang telah populer untuk klasifikasi teks, karena sangat sederhana, efisien dan memiliki performa yang baik pada banyak domain. Namun, Naïve Bayes memiliki kekurangan yaitu sangat sensitif pada fitur yang terlalu banyak, yang mengakibatkan akurasi klasifikasi menjadi rendah. Oleh karena itu, dalam penelitian ini digunakan penggabungan metode pemilihan fitur, yaitu Information gain dan Genetic algorithm agar dapat meningkatkan akurasi pengklasifikasi Naïve Bayes. Penelitian ini menghasilkan klasifikasi teks dalam bentuk positif dan negatif dari review buku. Pengujiannya berdasarkan akurasi Naive Bayes sebelum dan sesudah penambahan metode pemilihan fitur. Evaluasi dilakukan menggunakan 10 fold cross validation.
Sedangkan pengujian akurasi diukur dengan confusion matrix dan kurva ROC.
Hasil penelitian menunjukkan peningkatan akurasi Naïve Bayes dari 78.50%
menjadi 84.50%.
Sentimen Analysis Terhadap Nilai Kepercayaan Sebuah Online Shop Di Instagram merupakan penelitian yang dilakukan oleh Yan Puspitarani (2015).
Penelitian ini membahas mengenai Instagram yang telah menjadi tempat yang menarik untuk memasarkan produk. Dengan bermodalkan foto dan caption yang menarik, online shop akan mendapatkan followers yang kemungkinan besar tertarik untuk membeli produk yang mereka tawarkan. Namun, seiring dengan kemudahan dalam membuat akun Instagram, tingkat kepercayaan pembeli terhadap online shop tersebut menjadi hal yang paling penting. Oleh karena itu, diperlukan review terhadap online shop tersebut. Salah satu caranya adalah dengan memanfaatkan sentiment analysis terhadap komentar-komentar yang terdapat pada foto dan caption di akun Instagram online shop yang bersangkutan. Pada penelitian ini mengusulkan model sistem untuk proses review menggunakan sentiment analysis.
Proses sentiment akan menggabungkan pendekatan lexicon dan machine learning.
Data yang akan digunakan adalah komentar-komentar terhadap foto dan caption beberapa online shop di Instagram.
Social media competitive analysis and text mining: A case study in the pizza industry merupakan penelitian yang dilakukan oleh Wu He dkk (2013). Penelitian ini membahas mengenai banyaknya perusahaan yang menggunakan media sosial.
Media sosial yang digunakan seperti Facebook dan Twitter menyediakan berbagai layanan untuk berinteraksi dengan pelanggan perusahaan-perusahaan tersebut.
Akibatnya, sebagian besar pengguna membagikan berbagai konten yang ada secara bebas di situs media sosial. Untuk meningkatkan keunggulan kompetitif dan keefektifan bisnis, perusahaan perlu memantau dan menganalisa bukan hanya konten pelanggan yang ada pada situs media sosial mereka sendiri, tetapi juga informasi tekstual pada situs media sosial para pesaing. Untuk membantu perusahaan memahami bagaimana melakukan analisis terhadap media sosial dan mengubah data media sosial menjadi pengetahuan bagi para pengambil keputusan, penelitian ini menjelaskan studi kasus yang mendalam yang berlaku text mining untuk menganalisis konten teks yang tidak terstruktur di Facebook dan situs Twitter dari tiga rantai pizza terbesar: Pizza Hut, Domino Pizza dan Papa John Pizza. Hasil menunjukkan nilai dari analisis media sosial dan text mining sebagai teknik yang efektif untuk mengekstrak nilai bisnis dari sejumlah big data yang tersedia pada media sosial. Rekomendasi juga disediakan untuk membantu perusahaan mengembangkan strategi analisis media sosial mereka.
Peluang Dan Tantangan Big Data Dalam Penelitian Ilmu Sosial: Sebuah Kajian Literatur merupakan penelitian yang dilakukan oleh Vience Mutiara Rumata (2016). Penelitian ini membahas mengenai kemudahan dalam mengakses data (informasi), kemudian data tersebut disimpan, ditelusuri, bahkan dianalisa, didalam era digital seperti saat ini. Big Data bukan sekadar tren yang dipopulerkan oleh kalangan eksklusif, melainkan sebuah penanda perubahan paradigma untuk memahami proses-proses sosial. Data yang dihasilkan di media sosial merupakan sebagian kecil dari sekian banyak sumber di era Big Data. Bagi kalangan akademisi, Big Data telah memberikan tantangan bagi peneliti sosial dengan adanya perubahan unit analisis dari manusia menjadi algoritma. Artikel ini membahas peluang dan tantangan Big Data bagi peneliti sosial dari sisi literatur yang berasal dari publikasi luar negeri seperti Taylor & Francis, Elsevier, Sage
publication. Tujuannya adalah untuk memberikan pemahaman mendasar sekaligus mengisi kesenjangan pengetahuan terkait implementasi Big Data dalam penelitian bagi ilmuwan non ilmu komputer. Hasil kajian ini menemukan bahwa ada tiga peluang Big Data: munculnya terobosan multidisiplin ilmu “computational social science”, menjawab keterbasan metode pengumpulan data konvensional baik kuantitatif maupun kualitatif, serta menawarkan kerangka analisis bagi ilmuwan sosiologi. Disamping peluang, ada tiga tantangan Big Data: pemahaman mendasar terkait data, isu metodologi dan teori serta isu etika penelitian.
Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM) Dan K-Nearest Neighbor (K-NN) merupakan penelitian yang dilakukan oleh Syahfitri Kartika Lidya dkk (2015). Penelitian ini menggunakan teks Bahasa Indonesia yang terdapat pada website yang berupa artikel berita. K-Nearest Neighbor akan mengklasifikasi langsung pada data yang ada sehingga mampu menentukan model yang akan dibentuk oleh Support Vector Machine guna menentukan kategori dari data baru yang ingin ditentukan kategorinya, yaitu kelas sentimen positif, negatif dan netral. K-Nearest Neighbor memiliki nilai akurasi yang bergantung pada penentuan nilai k, jika nilai k terlalu kecil maka hasil akurasinya cenderung rendah, namun jika nilai k besar maka hasil akurasinya cenderung tinggi hal ini disebabkan oleh data yang masuk pada k terdekat terlalu sedikit dan dianggap tidak mampu merepresentasikan kelas pada data uji.
Presentase akurasi terbaik adalah saat nilai k = 11 – 15. Setelah dibandingkan dengan SVM (Support Vector Machine), akurasi K-Nearest Neighbor (K-NN) sedikit lebih rendah namun waktu yang diperlukan untuk memproses lebih cepat.
Aplikasi Web Untuk Analisis Sentimen Pada Opini Produk Dengan Metode Naive Bayes Classifier merupakan penelitian yang dilakukan oleh Surya Hanggara dkk (2017). Penelitian ini membahas mengenai penggunaan sentimen yang dapat digunakan untuk mengetahui opini konsumen terhadap produk yang dipasarkan melalui website yang menjual produk tersebut. Sudah terdapat beberapa aplikasi berbasis web yang fungsinya untuk mengevaluasi sentimen konsumen. Analisis sentimen pada umumnya mengklasifikasi opini mnejadi tiga kelas: Sentimen
positif, negatif dan netral. Penelitian ini bertujuan untuk mengembangkan aplikasi yang mampu melakukan analisis sentimen konsumen dengan menggunakan Naive Bayer Classifier. Hasil pengujian yang diperoleh dari Goodrreads, Twitter, dan Tokopedia menunjukkan bahwa aplikasi yang dikembangkan, mampu mengklasifikasikan opini ke dalam tiga kelas positif, negatif dan netral dengan tingkat akurasi rata-rata 70,43% - 88,03%.
Tabel 2.1. Acuan Penelitian
No Judul
Lingkup Penelitian Big
Data
Opinion
Mining Twitter UU ITE (28 ayat 2)
POS
Tagging NBC K-NN
1 Sentimen Analisis Berbasis Big
Data (2015) √ √ √ X X X X
2
Big Data, Data Analyst, and Improving Competence Of
Librarian (2015)
√ X X X X X X
3 Cloud Based Big Data Analytics
For Smart Future Cities (2013) √ X X X X X X
4 Big Data In The Cloud (2016) √ X X X X X X
5
Big-Data – Theoretical, Engineering and Analytics
Perspective (2012)
√ √ √ X X X X
6
Cloud Computing and Big Data Analytics: What Is New from Databases Perspective? (2012)
√ X X X X X X
7 Faceted Browsing over Social
Media (2012) √ √ √ X X X X
8
Processing and Analytics of Big Data Streams with Yahoo!S4
(2015)
√ X X X X X X
9
Research Directions on the Adoption, Usage and Impact of the Internet of Things through the Use
of Big Data Analytics (2015)
√ √ X X X X X
10
Analisis Data Twitter : Ekstraksi dan Analisis Data Geospasial
(2016)
√ √ √ X X X X
11
Value co-creation between firms and customers: The role of big
data-based cooperative assets (2016)
√ X X X X X X
12 Memanfaatkan Big Data Untuk
Mendeteksi Emosi (2013) √ √ √ X X √ X
13 Big Data : Inkonsistensi Data dan
Solusinya (2015) √ √ X X X X X
14
Internet-Based Anti-Counterfeiting Pattern with Using Big Data in
China (2015)
√ X X X X X X
15
Analisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan
Maximum Entropy dan Support Vector Machine (2014)
√ √ √ X √ X X
16
Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstraksi
Data Opini Publik pada Perguruan Tinggi (2012)
√ √ X X √ √ X
17
Indonesian Sosial Media Sentiment Analysis with Sarcasm Detection
(2013)
√ √ √ X X X X
18
Statistical Text Analysis and Sentiment Classification in Social
Media (2012)
√ √ √ X X X X
19 A Survey on Sentiment Analysis and
Opinion Mining Techniques (2013) √ √ √ X X X X
20
Sistem Opinion Mining dengan Metode Pos Tagging dan SVM Untuk Ekstraksi Data Opini Publik
pada Layanan JKBM (2017)
√ √ X X √ X X
21
Methodological Study Of Opinion Mining And Sentiment Analysis
Techniques (2014)
√ √ √ X X √ X
22
Opinion Mining Pada Review Buku Menggunakan Algoritma Naïve
Bayes (2016)
√ √ X X X √ X
23
Sentimen Analysis Terhadap Nilai Kepercayaan Sebuah Online Shop
Di Instagram (2015)
√ √ X X X X X
24
Social media competitive analysis and text mining: A case study in the
pizza industry (2013)
√ √ √ X X X X
25
Peluang Dan Tantangan Big Data Dalam Penelitian Ilmu Sosial:
Sebuah Kajian Literatur
√ X √ X X X X
26
Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (SVM) Dan K-Nearest Neighbor (K-NN)
√ √ X X X X √
27
Aplikasi Web Untuk Analisis Sentimen Pada Opini Produk Dengan Metode Naive Bayes
Classifier
√ √ √ X X √ X
28 Usulan Penelitian √ √ √ √ √ √ √
Dari Tabel 2.1, dapat dilihat perbedaan penelitian-penelitian sebelumnya dengan penelitian yang akan dilakukan adalah tidak adanya satupun penelitian opinion mining yang mengaitkannya dengan undang-undang ITE No.11 Tahun 2008, khususnya pasal 28 ayat 2.
2.2 Big Data
Big Data merupakan istilah yang dikemukakan pada tahun 1944 oleh seorang pustakawan Amerika dari Universitas Westleyan (Narendra, 2015). Pada era big data, pengaksesan, penyimpanan, penelusuran, dan analisa terhadap data
(informasi) sangat mudah. Secara umum big data dapat diartikan sebagai kuantitas data yang sangat berlimpah (Rumata, 2016). Dalam pengertian lain, dikemukakan bahwa Big Data merupakan data dengan ukuran besar yang volume-nya akan terus bertambah, memiliki berbagai macam variasi data, terbentuknya secara terus menerus dengan kecepatan tertentu dan harus diproses dengan kecepatan tertentu pula, karena volume datanya yang secara terus menerus bertambah, penggunaan sistem database yang biasa menyebabkan kesulitan dalam penyimpanan, pengelolaan, dan proses analisa terhadap datanya (Sujana, 2013). Big Data itu sendiri dipengaruhi oleh lima aspek yaitu ukuran (volume), keberagaman (variety), kecepatan (velocity), pengujian kualitas (veracity), dan nilai (value), dimana kelima aspek ini dikenal sebagai “the 5V’s of big data analytics” (Sanjaya & Sulistyo, 2015).
Berdasarkan luasnya informasi yang dapat diperoleh melalui big data, maka big data dapat dikelompokkan kedalam lima kategori (Rumata, 2016), seperti yang terlihat pada Tabel 2.2 berikut :
Tabel 2.2. Klasifikasi Big Data
Klasifikasi Jenis Deskripsi
Sumber Data
Media Sosial
Sumber informasi melalui halaman website yang dihasilkan dari pertukaran informasi dan gagasan dalam
jaringan komunitas dalam dunia maya (Facebook, Twitter).
Machine-generated data
Informasi yang dihasilkan dari suatu perangkat (keras maupun lunak).
Sensing
Alat yang digunakan untuk mendeteksi dan mengukur kuantitas fisik serta mengubahnya kedalam bentuk
sinyal.
Transaksi Data transaksi yang dimaksud seperti data transaksi keuangan atau transaksi mengenai pekerjaan.
IoT Informasi dari objek-objek yang berhubungan dengan internet.
Format Data
Terstruktur Data dengan format SQL (Structured Query Language) yang telah siap untuk disimpan dan diolah.
Semi Terstruktur Terstruktur namun tidak sesuai standar model database secara umum.
Tidak Terstruktur Data yang tidak tersusun dengan rapi antara jenis-jenis data.
Penyimpanan Data
Data Dokumen Penyimpanan serta pengambilannya berupa data file seperti PDF atau Microsoft Word.
Data Kolom Penyimpanan berdasarkan kategori data yang sama.
Infografis database Penyimpanan dan pengambilan data grafis yang terdiri dari nodes dan edges.
Key-Value Alternatif dari model database, untuk menyimpan dan mengakses data dalam jumlah yang tidak terbatas.
Penyajian Data
Pembersihan
(Cleaning) Pemisahan data yang sesuai dan tidak sesuai.
Transformasi Proses tranformasi untuk data yang siap diolah.
Normalisasi Data dibuat lebih terstruktur untuk menghindari data yang berulang.
Pengolahan Data
Batch
Sistem berbasis MapReduce yang memberikan kemudahan dalam menentukan skala setiap klaster yang
berisi ribuan nodes.
Real-Time Teknologi yang memudahkan seorang programmer dalam pengembangan aplikasi seperti S4.
Manfaat yang didapatkan dari adanya big data bagi kalangan pebisnis ataupun praktisi yaitu terbukanya peluang untuk menetapkan strategi inovasi bisnis dalam hal memproses, menganalisa dan menyimpan data dengan volume yang tinggi secara cepat dan efektif, sedangkan bagi kalangan akademisi atau pendidikan big data telah melakukan inovasi terhadap tradisi lama penelitian ilmu sosial. Big data mampu memberikan solusi bagi penelitian sosial secara umum, khususnya dalam hal menangkap realita seperti pola jaringan komunikasi, diseminasi informasi, atau bahkan memprediksi pola gerakan sosial atau politik berdasarkan perilaku secara online (Rumata, 2016).
2.3 Opinion Mining
Opinion Mining atau Sentiment Analysis merupakan cabang penelitian dari Text Mining, yang fokusnya adalah melakukan analisis terhadap opini dari suatu dokumen dalam bentuk teks. Opinion mining tiga subproses yaitu document subjectivity, opinion orientation, dan target detection (Rozi, et al., 2012). Opinion mining juga dikatakan sebagai suatu bidang studi yang menganalisis opini, sentimen, evaluasi, penilaian, sikap dan emosi publik terhadap suatu entitas seperti produk, pelayanan, organisasi, individu, masalah, peristiwa, topik, dan atributnya (Puspitarani, 2015).
Terdapat dua pendekatan yang dapat dilakukan dalam sentiment analysis atau opinion mining (Puspitarani, 2015), yaitu :
1. Lexicon Based Analysis, yaitu suatu pendekatan yang menggunakan sekumpulan kata opini positif dan negatif untuk mengukur suatu kalimat itu merupakan suatu opini yang positif, negatif, atau netral. Pendekatan ini sangat populer dan membutuhkan fungsi skoring untuk menghitung nilai setiap kalimat berdasarkan kemunculan kata-kata positif atau negatif pada lexicon.
2. Machine Learning Based Analysis, yaitu pendekatan yang menggunakan teknik machine learning untuk melakukan training terhadap classifier atau pengklasifikasian menggunakan opini-opini yang sudah diklasifikasikan sebagai training set. Kemudian menggunakan classifier yang sudah di train tersebut untuk menentukan opini yang baru sebagai opini yang positif, negatif atau netral.
2.4 Media Sosial
Media Sosial dapat diartikan sebagai kelompok, komunitas, atau kumpulan dari aplikasi yang berbasiskan internet, yang mampu menghubungkan setiap manusia melalui website atau melalui teknologi telepon genggam yang bertujuan untuk menyebarkan ataupun pertukaran informasi yang dihasilkan penggunanya (Nambiar, et al., 2012).
Media Sosial merupakan suatu platform yang menyediakan pelayanan dalam dua arah yaitu membuat dan berbagi, yang digunakan sebagai alat komunikasi baru pada era digital seperti saat ini yang mampu membentuk jaringan pada kelompok, komunitas, atau kumpulan yang memungkinkan untuk saling berkomunikasi secara online, serta mampu untuk membuat, mengatur, mengedit, mengomentari, menandai, mendiskusikan, menggabungkan, mengkoneksikan dan bertukar informasi apapun (Negara, et al., 2016).
2.5 Kepolisian
Kepolisian Republik Indonesia (POLRI) merupakan institusi dalam pemerintahan yang mempunyai tugas utama adalah sebagai pelindung, pengayom, dan pelayan masyarakat. Dalam menjalankan fungsinya sebagai pelindung, pengayom, dan pelayan masyarakat, dibutuhkan kemampuan serta motifasi yang kuat agar kinerja dari POLRI lebih optimal. Semangat kerja POLRI berorientasikan kepada pelayanan publik (Mutiasari, et al., Januari 2016).
Organisasi POLRI tersusun berdasarkan tingkatan cakupan wilayahnya.
Berikut tingkatan-tingkatan yang terdapat di POLRI (POLRI, 2017) :
1. Tingkat Mabes, merupakan tingkat pusat yang disebut sebagai Markas Besar Kepolisian Negara Republik Indonesia. Pimpinan dari Mabes Polri adalah Kepala Kepolisian Negara Rebulik Indonesia (Kapolri). Kapolri berada dibawah dan bertanggung jawab terhadap presiden dan seorang kapolri memiliki pangkat Jendral Polisi. Berikut struktur organisasi Tingkat Mabes (POLRI, 2017) :
Gambar 2.1. Struktur Organisasi POLRI Tingkat Mabes
2. Tingkat Polda, merupakan tingkat kewilayahan di tingkat provinsi. Polda dipimpin oleh Kepala Kepolisian Negara Republik Indonesia Daerah (Kapolda), yang bertanggung jawab kepada Kapolri. Pada Polda terdapat dua tipe yaitu, tipe A dan tipe B. Berikut strruktur organisasi tingkat Polda (Tipe A dan Tipe B) (POLRI, 2017) :
Gambar 2.2. Struktur Organisasi Tingkat Polda (Tipe A)
Gambar 2.3. Struktur Organisasi Tingkat Polda (Tipe B)
3. Tingkat Polres, merupakan tingkat kewilayahan di tingkat kabupaten/kota.
Polres membawahi Kepolisian Negara Republik Indonesia Sektor. Untuk kota - kota besar, Polres dinamai Kepolisian Resor Kota Besar. Polres memiliki satuan tugas kepolisian yang lengkap, layaknya Polda, dan dipimpin oleh seorang Komisaris Besar Polisi (Kombes) (untuk Polrestabes) atau Ajun
Komisaris Besar Polisi (AKBP) (untuk Polres). Berikut strruktur organisasi tingkat Polres (POLRI, 2017) :
Gambar 2.4. Struktur Organisasi Tingkat Polres
4. Tingkat Polsek, merupakan tingkat wilayah pada kecamatan. Polsek maupun Polsekta dipimpin oleh seorang Ajun Komisaris Besar Polisi (AKBP) (khusus untuk Polda Metro Jaya) atau Komisaris Polisi (Kompol) (untuk tipe urban), sedangkan di Polda lainnya, Polsek atau Polsekta dipimpin oleh perwira berpangkat Ajun Komisaris Polisi (AKP) (tipe rural). Di sejumlah daerah di Papua sebuah Polsek dapat dipimpin oleh Inspektur Polisi Dua (Irda). Berikut strruktur organisasi tingkat Polsek (POLRI, 2017) :
Gambar 2.5. Struktur Organisasi Tingkat Polsek
Dalam menangani kejahatan pada dunia maya atau yang biasa disebut cyber crime, terdapat divisi yang memiliki tugas untuk menangani kasus cyber crime tersebut yaitu pada divisi Reskrimsus yang ada pada tingkat Polda seperti yang ditujukan pada Gambar 2.2 dan 2.3. Pada Reskrimsus terdapat beberapa sub divisi, dan divisi yang menangani cyber crime adalah Subdit IV bidang Cyber Crime.
Tugas dari Reskrimsus sendiri adalah (Reskrimsus, 2018):
1. Menyelenggarakan penyelidikan dan penyidikan tindak pidana khusus, antara lain tindak pidana ekonomi, korupsi, dan tindak pidana tertentu di daerah hukum Polda Metro Jaya.
2. Menyelenggarakan penganalisaan kasus dan isu-isu yang menonjol beserta penanganannya,serta mempelajari dan mengkaji efektivitas pelaksanaan tugas DitReskrimsus Polda Metro Jaya.
3. Menyelenggarakan pembinaan teknis, koordinasi, pengawasan operasional dan administrasi penyidikan oleh PPNS di daerahhukumPolda Metro Jaya.
4. Menyelenggarakan pelaksanaan pengawasan penyidikan tindak pidana khusus di lingkungan Polda Metro Jaya.
5. Menyelenggarakan pengumpulan dan pengolahan data serta menyajikan informasi dan dokumentasi program kegiatan Dit Reskrimsus Polda Metro Jaya.
Sedangkan tugas dari sub divisi Subdit IV bidang Cyber Crime, adalah sebagai berikut (Reskrimsus, 2018) :
1. Menyelenggarakan penyelidikan dan penyidikan tindak pidana khusus bidang cyber crimeyang terjadi di daerah hukum Polda Metro Jaya.
2. Menyelenggarakan pemberkasan dan penyelesaian berkas perkara sesuai dengan ketentuan administrasi penyelidikan dan penyidikan tindak pidana.
3. Menyelenggarakan penerapan manajemen anggaran, serta manajemen penyelidikan dan penyidikan tindak pidana khusus, bidang cyber crime yang terjadi di daerah hukum PoldaMetro Jaya.
4. Melaksanakan analisa kasus, isu-isu ekonomi yang menonjol/meresahkan masyarakat dan tindakan penanganannya, serta pengkajian efektifitas pelaksanaan tugas Subdit Cyber Crime.
5. Menyelenggarakan pembinaan fungsi dan teknis penyelidikan dan penyidikan tindak pidana Cyber Crime.
6. Melaksanakan tugas-tugas lain yang diperintahkan Dir dan Wadir Reskrimsus Polda Metro Jaya.
2.6 Undang-Undang Informasi dan Transaksi Elektronik
Undang-undang Nomor 11 Tahun 2008 mengenai Informasi dan Transaksi Elekronik (UU ITE) mulai diresmikan pada tahun 2008. Tujuan dari diberlakukannya undang-undang ini adalah untuk mengatur mengenai kebenaran dari suatu informasi, dokumen, dan tanda tangan elektronik (Barkatullah, 2016).
Selain itu, tujuan lain dari diberlakukannya undang-undang ini dikarenakan oleh banyaknya kejahatan yang bermunculan di dunia maya Indonesia, yang tentunya
hal ini menimbulkan kerugiaan baik itu perorangan maupun kelompok masyarakat luas (Yunus, et al., 2014).
Undang-undang Nomor 11 Tahun 2008 mengenai Informasi dan Transaksi Elekronik (UU ITE) yang juga dikenal dengan Cyber Law ini memilih untuk mengacu pada model yang komprehensif, yang artinya hal-hal yang diatur didalamnya meliputi hal yang luas, disesuaikan dengan kebutuhan yang ada saat ini dan didalamnya juga terdapat ketentuan-ketentuan mengenai larangan melakukan perbuatan tertentu yang diancam dengan hukum pidana bagi pelakunya. Dengan kata lain, undang-undang ini menetapkan perbuatan-perbuatan yang dapat dikriminalisasi sebagai suatu tindakan pidana yang sanksi-sanksi nya telah ditetapkan, berdampingan dengan Kitab Undang-Undang Hukum Pidana (KUHP) sebagai undang-undang tindak pidana umum (Yunus, et al., 2014).
Salah satu pasal yang tertera pada undang-undang nomor 11 tahun 2008 mengenai informasi dan transaksi elektronik adalah pasal 28 ayat 2, yang isinya adalah sebagai berikut, “Setiap Orang dengan sengaja dan tanpa hak menyebarkan informasi yang ditujukan untuk menimbulkan rasa kebencian atau permusuhan individu dan/atau kelompok masyarakat tertentu berdasarkan atas suku, agama, ras, dan antargolongan (SARA)”, dimana bagi setiap pelakunya akan dikenakan sanksi yang juga telah di atur dalam undang-undang ini pada pasal 45 ayat 2, yang isinya adalah “Setiap Orang yang memenuhi unsur sebagaimana dimaksud dalam Pasal 28 ayat (1) atau ayat (2) dipidana dengan pidana penjara paling lama 6 (enam) tahun dan/atau denda paling banyak Rp1.000.000.000,00 (satu miliar rupiah)” (DPR, 2008) (Yunus, et al., 2014).
Pelaku pelanggaran Undang-Undang ITE ini akan dikategorikan sebagai tindak pidana, yang tentunya juga diatur dalam Kitab Undang-Undang Tindak Pidana (KUHP). Salah satunya adalah pasal 28 ayat 2, yang aturan nya juga tercantum pada KUHP. Pertama adalah mengenai Penghinaan terhadap golongan penduduk Indonesia tertentu yang diataur dalam pasal 156 (penghinaan terhadap golongan penduduk tertentu di Indonesia secara lisan) dan pasal 157 (penghinaan terhadap golongan penduduk tertentu di Indonesia dengan tulisan ataupun lukisan yang
disebarkan di muka umum). Arti kata golongan dalam pasal 156 dan 157 adalah bagian dari rakyat Indonesia yang berbeda dengan suatu maupun beberapa bagian lainnya yang dikarenakan oleh perbedaan ras, negeri asal, agama, tempat asal, keturunan, kebangsaan, atau kedudukan menurut hukum tata negara. Pasal 156 dirumuskan sebagai berikut, “Barangsiapa di muka umum menyatakan perasaan permusuhan, kebencian atau penghinaan, terhadap suatu atau beberapa golongan penduduk Indonesia, diancam dengan pidana penjara paling lama empat tahun atau pidana denda paling banyak empat ribu lima ratus rupiah”. Kejahatan yang dirumuskan dalam pasal 156 tersebut dapat dirincikan unsur-unsurnya sebagai berikut :
1. Perbuatannya : a) menyatakan perasaan permusuhan, b) menyatakan perasaan kebencian, dan c) menyatakan perasaan penghinaan
2. Di muka umum
3. Objeknya : terhadap golongan penduduk Indonesia
Pasal 157 memiliki persamaan jenis kejahatan seperti pasal 156, hanya saja yang membedakannya terletak pada perbuatannya, dimana pada pasal 157 perbuatannya adalah menyiarkan, mempertunjukan, atau menempelkan. Pasal 157 dirumuskan sebagai berikut, “Barangsiapa menyiarkan mempertunjukan, atau menempelkan tulisan atau lukisan di muka umu, yang isinya mengandung pernyataan perasaan permusuhan, kebencian atau penghinaan diantara atau terhadap golongan- golongan penduduk Indonesia, dengan maksud supaya isinya diketahui atau lebih diketahui oleh umum, diancam dengan pidana penjara paling lama dua tahun enam bulan atau pidana denda paling banyak empat ribu lima ratus rupiah”. Kejahatan yang dirumuskan dalam pasal 157 tersebut dapat dirincikan unsur-unsurnya sebagai berikut :
1. Perbuatannya : a) menyiarkan, b) mempertunjukan, dan c) menempelkan 2. Objeknya : a) tulisan, b) lukisan, yang isinya mengandung pernyataan perasaan
permusuhan, kebencian atau penghinaan terhadap golongan-golongan penduduk Indonesia
3. Secara terbuka
4. Kesalahan : dengan maksud supaya isinya diketahui atau lebih diketahui oleh umum
(Chazawi, 2016).
Keselarasan antara pasal 28 ayat 2 dan KUHP yang kedua adalah mengenai Penghinaan dalam hal yang berhubungan dengan agama, dan dapat dijabarkan menjadi empat macam, yaitu :
1. Pasal 156a mengenai penghinaan terhadap agama tertentu yang ada di Indonesia, yang rumusannya sebagai berikut, “Dipidana dengan pidana penjara selama-lamanya lima tahun barangsiapa dengan sengaja di muka umum mengeluarkan perasaan atau melakukan perbuatan : a. yang pada pokoknya bersifat permusuhan, penyalahgunaan atau penodaan terhadap suatu agama yang dianut di Indonesia; b. dengan maksud agar supaya orang tidak menganut agama apapun juga, yang bersendikan Ketuhanan Yang Maha Esa”. Dari rumusan tersebut, terdapat dua bentuk kejahatan. Kejahatan yang pertama memiliki unsur dari segi perbuatannya mengeluarkan perasaan dan melakukan perbuatan yang bersifat permusuhan terhadap, penyalahgunaan terhadap, dan penodaan terhadap. Objeknya suatu agama yang dianut di Indonesia. Sifatnya di muka umum dan dilakukan dengan sengaja. Sedangkan bentuk kejahatan yang kedua memiliki unsur dari segi perbuatannya mengeluarkan perasaan dan melakukan perbuatan, yang sifatnya di muka umum, dengan kriteria kesalahannya adalah dengan maksud agar supaya orang tidak menganut agama apapun jugayang bersendikan Ketuhanan Yang Maha Esa
2. Pasal 177 (1) mengenai penghinaan terhadap petugas agama yang menjalankan tugasnya, yang rumusannya sebagai berikut, “Diancam dengan pidana penjara paling lama empat bulan dua minggu atau pidana denda paling banyak seribu delapan ratus rupiah : 1. barangsiapa mengejek seorang petugas agama dalam menjalankan tugas yang diijinkan;”. Pasal 177 (1) memiliki unsur-unsur yang
dilihat dari segi perbuatannya adalah mengejek, objeknya adalah seorang petugas agama dan sedang menjalankan tugas yang diijinkan
3. Pasal 177 (2) mengenai penghinaan terhadap benda-benda untuk keperluan ibadah, rumusan adalah lanjutan dari pasal 177 (1), sebagai berikut, “2.
barangsiapa menghina benda-benda untuk keperluan ibadah di tempat atau pada waktu ibadah dilakukan”. Rumusan tersebut memiliki unsur yang dilihat dari segi perbuatan adalah menghina, objeknya adalah benda-benda untuk keperluan ibadah, ditempat atau pada waktu ibadah dilakukan
4. Pasal 503 mengenai perbuatan yang menimbulkan kegaduhan di dekat tempat ibadah yang sedang digunakan untuk beribadah, rumusannya dalah sebagai berikut, “Diancam dengan pidana kurungan paling lama tiga hari atau pidana denda paling banyak dua ratus dua puluh lima rupiah : 1. barangsiapa membiking ingar atau riuh, sehingga ketentraman malam hari dapat terganggu; 2. barangsiapa membikin gaduh di dekat bangunanuntuk menjalankan ibadah yang dibolehkan atau untuk sidang pengadilan diwaktu ada ibadah atau sidang”. Rumusan tersebut memiliki unsur yang dilihat dari segi perbuatannya adalah membikin gaduh, tempatnya adalah didekat bangunan untuk menjalankan ibadah dan sidang, dan waktunya adalah pada saat ada ibadah dan sidang pengadilan
(Chazawi, 2016).
Dalam pasal 156 alinea 2 dijelaskan mengenai siapa saja yang dapat dikatakan sebagai penduduk Indonesia, dan dijabarkan menjadi tujuh dasar, yaitu (Chazawi, 2016) :
1. Ras yang juga disebut Suku Bangsa, di Indonesia terdapat banyak suku yang asalnya menempati wilayah tertentu dari wilayah Indonesia itu sendiri.
Contohnya suku Jawa, suku Sunda, suku Bugis, suku Asmat, suku Dayak, dan lainnya.
2. Negeri Asal, merupakan tempat asal yang berdasarkan pada wilayah suatu negara, di Indonesia banyak penduduknya merupakan orang dari negara lain
seperti orang Belanda (yang menandakan asal dari Negeri Belanda), orang Jepang (yang menandakan asal dari Negeri Jepang), orang Cina (yang menandakan asal dari Negeri Cina), dan lainnya.
3. Agama, Penduduk Indonesia memiliki enam agama, ada Islam, Budha, Hindu, Katolik, Protestan, Konguchu.
4. Tempat Asal, dapat digolongkan berdasarkan tempat asalnya, ada orang Jakarta, orang Palembang, orang Madura, orang Aceh, orang Desa, orang Kota, dan lainnya.
5. Keturunan, penduduk Indonesia dapat digolongkan berdasarkan keturunannya, namun untuk saat ini tidak relevan. Ada keturunan Bangsawan (di Jawa ada sebutan Raden, Sulawesi ada sebutan Daeng) dan rakyat biasa, ada juga keturunan Arab, keturunan Cina, keturunan India. Di Bali terdapat sistem kasta Brahma, Ksatria, Waisya, Sudra.
6. Kebangsaan, berdasarkan kebangsaannya penduduk Indonesia digolongkan menjadi bangsa Amerika, bangsa Arab, bangsa Belanda, dan lainnya.
7. Kedudukan ketatanegaraan, digolongkan antara WNI dan asing, PNS dan Pegawai Swasta, TNI dan Sipil, dan lainnya.
Untuk SARA (Suku, Agama, Ras, dan Antar Golongan) pada undang-undang ITE pasal 28 ayat 2, Antar Golongan yang dimaksud adalah ke tujuh golongan penduduk Indonesia pada pasal 156 alinea 2, Suku yang dimaksud dijelaskan pada poin satu pasal 156 alinea 2, Agama yang dimaksud dijelaskan pada poin tiga pasal 156 alinea 2, dan Ras selaras dengan Suku, hanya saja Ras lebih mengarah pada fisik seseorang seperti kulit hitam, kulit putih, dan sebagainya (Chazawi, 2016).
2.7 Kalimat dan Jenis Kata 2.7.1. Kalimat
1. Struktur Kalimat
Kalimat disusun oleh unsur yang sifatnya relatif tetap. Unsur yang dimaksud adalah subjek, predikat, objek, pelengkap, dan juga keterangan, dan setiap unsur tersebut memiliki fungsi yang berbeda dalam suatu kalimat (Waridah, 2016).
a. Subjek
Subjek dalam suatu kalimat sangat mudah dikenali. Pada umumnya letaknya sebelum predikat dan tidak mungkin suatu objek diisi oleh kata tanya. Ciri-ciri suatu subjek : Jawaban atas pertanyaan “apa” dan “siapa”, Dapat disertai dengan kata
“ini” atau “itu”, Dapat berupa frase dan dapat diperluas menjadi sebuah klausa, Tidak didahului kata depan seperti “di, ke, dalam, kepada, pada, oleh, dari”, Dapat berupa kata benda, kelompok kata benda, ataupun kata kerja (Waridah, 2016).
b. Predikat
Predikat merupaka inti, pada umunya sebuah predikat letaknya setelah subjek, namun dalam beberapa keadaan, predikat dapat juga terletak sebeblum subjek. Ciri- ciri sebuah predikat : Jawaban atas pertanyaan “mengapa” atau “bagaimana”
subjek, Dapat ditambahkan kata pengingkar “tidak” ataupun “bukan”, Dapat ditambahkan kata seperti “ingin, hendak, mau, akan, sedang, sudah”, Dalam bentuk kata kerja, kata benda, atau kelompok kata benda, kata sifat atau kelompok kata sifat, kata bilangan atau kelompok kata bilangan (Waridah, 2016).
c. Objek
Objek merupakan pendamping predikat selain subjek, letaknya setelah predikat, dan keberadaannya bersifat mutlak. Ciri-ciri objek : Berupa kata benda ataupun kelompok kata benda, Letaknya langsung di belakang kata kerja transitif tanpa preposisi yang berimbuhan me(N), me(N)-kan, dan turunannya yaitu memper-, memper-kan, dan memper-i, Mampu menjadi subjek dalam kalimat pasif, dapat di ganti dengan –nya (Waridah, 2016).
d. Pelengkap
Memiliki kemiripan dengan objek, dimana keduanya sering dalam bentuk kata benda dan sering berada di belakang kata kerja. Perbedaan keduanya adalah
pelengkap tidak dapat diubah menjadi subjek dalam kalimat pasif. Ciri-ciri pelengkap : Berada disebalah kanan predikat, Keberadaannya sangat bergantung pada jenis kata kerja yang digunakan yaitu kata kerja semitransitif dan dweitransitif, Tidak didahului oleh kata depan, Tidak dapat menjadi subjek dalam suatu kalimat pasif (Waridah, 2016).
e. Keterangan
Keterangan dalam suatu kalimat merupakan unsur tambahan. Keberadaannya di dalam suatu kalimat menjadi makna tambahan pada unsur inti. Ciri-ciri keterangan : Memberikan informasi mengenai tempat, waktu, cara, alat, sebab, akibat, Dapat berada di awal, tengah, maupun akhir dari suatu kalimat, Diawali kata depan seperti “di, ke, dari, pada, kepada, dalam, dengan”, Berupa kata atau kelompok kata benda, kelompok kata depan, kelompok kata keterangan (Waridah, 2016)
2. Jenis Kalimat
Kalimat adalah sarana komunikasi dengan tujuan untuk menyampaikan pikiran ataupun gagasan kepada orang lain. Tujuan tersebut dapat tercapai jika saat komunikasi berlangsung, pihak yang saling berkomunikasi menggunakan kalimat yang baik dan benar. Terdapat beberapa jenis kalimat, yaitu (Waridah, 2016) : a. Kalimat Minor
Kalimat Minor merupakan kalimat yang mengandung satu unsur pusat yaitu predikat. Pada umumnya kalimat ini digunakan sebagai suatu perintah, pertanyaan, seruan,maupun jawaban dari suatu pertanyaan (Waridah, 2016).
b. Kalimat Mayor
Kalimat Mayor merupakan kalimat yang sekurang-kurangnya mengandung dua unsur dari lima unsur yang ada yaitu, subjek dan predikat, atau subjek, predikat, objek, atau dapat ditambahkan keterangan menjadi subjek, predikat, objek, dan keterangan (Waridah, 2016).
c. Kalimat Aktif
Kalimat Aktif merupakan kalimat dimana subjek adalah pelaku. Ciri utama kalimat ini adalah predikatnya yang berupa kata dasar atau yang memiliki imbuhan me(N)- dan ber- (Waridah, 2016).
d. Kalimat Pasif
Kalimat Pasif merupakan kalimat yang subjeknya dikenai pekerjaaan. Ciri kalimat pasif diantaranya adalah predikatnya diawali dengan di-, ter-, dan konfiks ke-an (Waridah, 2016).
e. Kalimat Tunggal
Kalimat Tunggal merupakan kalimat yang di dalamnya hanya terdapat satu subjek dan juga satu predikat, dan keberadaan keterangannya memiliki sifat manasuka (Waridah, 2016).
f. Kalimat Majemuk
Kalimat Majemuk merupakan kalimat yang terdiri dari beberapa klausa, dimana kalimat ini memiliki dua pola kalimat atau lebih. Kalimat Majemuk sendiri dapat dibedakan menjadi dua, yaitu (Waridah, 2016) :
Pertama adalah Kalimat Majemuk Setara atau Koordinatif yang merupakan kalimat majemuk dengan pola kalimatnya memiliki kedudukan yang sama, dan yang kedua Kalimat Bertingkat atau Subordinatif yang merupakan kalimat dengan dua pola kalimat atau lebih yang kedudukannya tidak sama (Waridah, 2016).
g. Kalimat Langsung
Kalimat langsung merupakan kalimat yang isinya adalah menirukan ujaran atau ucapan orang lain (Waridah, 2016).
h. Kalimat Tidak Langsung
Kalimat Tidak Langsung merupakan kalimat yang isinya adalah menyampaikan kembali ujaran atau ucapan orang lain (Waridah, 2016).
i. Kalimat Berita
Kalimat Berita merupakan kalimat yang isinya adalah memberitakan atau memberitahu suatu keadaan atau peristiwa. Bentuk kalimat ini diakhiri dengan tanda titik (.), sedangkan jika dalam bentuk lisan, memiliki intonasi yang naik pada bagian akhir kalimat (Waridah, 2016).
j. Kalimat Tanya
Kalimat Tanya merupakan kalimat yang berisi tentang pertanyaan seseorang kepada orang lain mengenai sesuatu hal. Bentuk kalimat ini diakhiri dengan tanda tanya (?) dan memiliki intonasi yang menurun dibagian akhir kalimat (Waridah, 2016).
k. Kalimat Seru
Kalimat Seru merupaka kalimat yang mengungkapkan perasaan, biasanya kalimat ini ditandai dengan kata “alangkah”, “betapa”, “bukan main”. Kalimat ini digunakan untuk menyatakan rasa kagum ataupun heran (Waridah, 2016).
l. Kalimat Perintah
Kalimat Perintah merupakan kalimat yang berisikan sebuah permintaan kepada orang lain untuk melakukan suatu pekerjaan tertentu. Kalimat perintah ini memiliki ciri yaitu : Intonasi yang menurun diakhir kalimat, Menggunakan partikel penegas, penghalus, dan kata tugas ajakan, harapan, permohonan, dan larangan, Pelaku tindakannya tidak selalu dinyatakan dengan jelas, Bentuknya inversi, Akhir kalimatnya dapat ditandai dengan tanda titik (.) ataupun tanda seru (!) (Waridah, 2016).
m. Kalimat Empatik
Kalimat Empatik merupakan kalimat yang secara khusus memberikan penegasan pada subjek dengan menambahkan partikel atau imbuhan –lah pada subjek (Waridah, 2016).
n. Kalimat Inversi
