541 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 541-551 E- ISSN 2503-2933
Identifikasi Text Mining Isu Blokir Kominfo Di Twitter Dengan Metode Support Vector Machine
Yusep Maulana1, Fachmi Ramdani2, Christina Juliane3
1,3Department of Informatics, STMIK LIKMI Bandung, Indonesia
e-mail: 1[email protected], 2[email protected] , 3[email protected]
Abstrak
Penggunaan media sosial yang semakin luas menyebabkan terbentuknya suatu wadah yang bisa digunakan oleh masyarakat untuk menyampaikan pendapat dalam berbagai bentuk salah satunya dalam penggunaan Twitter. Salah satu isu yang saat ini sedang ramai dibicarakan terkait pendapat masyarakat tentang Blokir Kominfo yang muncul akibat pemerintah melakukan pemblokiran terhadap aplikasi yang belum mendaftarkan ke Penyelenggara Sistem Elektronik (PSE) Kominfo RI yang trending topic di diberbagai platform media sosial salah satunya adalah twitter. Penelitian ini bertujuan untuk menganalisis beragam komentar ditwitter yang diberikan oleh masyarakat. Pengumpulan data dari penelitian ini menggunakan beberapa pendekatan salah satunya pengambilan data dari ata kunci dan hastag dengan jumlah data tertentu yang dapat diklasifikasikan, kemudian setelah data terkumpul akan melalui proses pengolahan data dengan metode text mining kemudian untuk mendapatkan klasifikasinya data tersebut akan diolah dalam berbagai bentuk dengan Algoritma Support Vector Machine (SVM). Penelitian ini akan memperoleh sistem yang bisa mengklasifikasikan tentang komentar positif dan negatif sehingga dapat meminimalir tumbuh kembangnya isu atau informasi yang tidak sesuai akan kebenarannya.
Kata kunci—Blokir, Identifikasi, Kominfo, Text Mining, Twitter, Suppor Vector Machine
Abstract
The increasingly widespread use of social media has led to the formation of a forum that can be used by the public to express opinions in various forms, one of which is the use of Twitter. One of the issues that is currently being discussed is related to public opinion re- garding the Blocking of Communications and Informatics that arose as a result of the gov- ernment blocking applications that had not been registered with the Indonesian Communi- cations and Information Technology's Electronic System Operator (PSE), which was a trending topic on various social media platforms, one of which was Twitter. This study aims to analyze the various comments on Twitter given by the public. Collecting data from this study uses several approaches, one of which is taking data from keywords and hashtags with a certain amount of data that can be classified, then after the data is collect-ed it will go through a data processing process using the text mining method. Support Vec-tor Machine (SVM) Algorithm.
This research will obtain a system that can classify positive and negative comments.
Keywords—Block, Identify, Kominfo, Text Mining, Twitter, Support Vector Machine
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 541-551 E- ISSN 2503-2933 542
1. PENDAHULUANIndonesia dengan jumlah penduduk yang luas menyebabkan penggunaan internet berkembang secara dinamis dan meluas sangat pesat dengan dibuktikannya pemanfaatan internet diberbagai provider mengalami peningkatan dalam penggunaan kapasitas jaringan internet tertentu. Penggunaan internet ini digunakan dalam berbagai hal seperti dalam berbelanja, belajar bahkan memberikan pendapat diberbagai platform salah satunya dalam penggunaan media sosial yang semakin diminati oleh masyarakat untuk menyampaikan informasi. Yang kita ketahui bahwa media sosial merupakan media yang digunakan oleh pengguna untuk berbagi data dalam bentuk teks, gambar, suara dan lainnya (Philip Kotler dan Kevin Lane Keller 2016). Berkembangnya media sosial membuat masyarakat lebih aktif untuk mengungah segala sesuatu yang terjadi di lingkungannya[1]. Twitter merupakan salah satu media sosial yang populer di Indonesia maupun di berbagai negara lainnya[2].
Penggunaan media sosial yang digunakan untuk memberikan informasi seperti pendapat saat ini paling banyak menggunakan Twitter karena dengan fiturnya yang mendukung dalam proses penyampaian yang sederhana mudah dilakukan oleh siapapun. Menurut pendekatan liputan We Are Social, jumlah pengguna Twitter di Indonesia saat ini sudah mencapai 18,45 juta pada 2022, yang memberikan pandangan angka tersebut menempatkan Indonesia di peringkat kelima negara pengguna Twitter terbesar di dunia. Menurut Wakil Presiden RI, pemblokiran internet dibutuhkan untuk meredam pengaruh hoax di media sosial[3], Support Vector Machine pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition[4], SVM telah berhasil diterapkan pada banyak kasus kategorisasi dengan akurasi tingkat tinggi[5], Akurasi dan nilai AUC dibandingkan untuk mengetahui metode klasifikasi SVM biasa atau SVM berbasis PSO yang lebih baik dalam proses klasifikasi[6]. Analisa sentimen juga merupakan salah satu cara untuk mengukur akurasi dalam menentukan setimen[8], Sentiment Analysis merupakan metode analasis yang dipakai untuk mengidentifikasi tentang komentara para pengguna[9],
Perkembangan yang sangat pesat ini sangat menarik jika dilakukan analisa dalam bentuk penelitian yang bisa memberikan dampak positif dalam informasi terkait isu pemblokiran aplikasi oleh kominfo terhadap aplikasi-aplikasi yang belum mendaftar di PSE yang menyebabkan banyak masyarakat yang merasa dirugikan termasuk pengguna yang pekerjaannya sebagai freelancer.
Untuk menghasilkan suatu data dari opini yang ada dimasyarakat maka akan dilakukan pengelolaan data dengan analisis sentimen yang bisa menjadi solusi dalam penilaian masyarakat terkait adanya pemblokiran yang dilakukan oleh kominfo. Data yang dihasilkan berdasarkan pengambilan kata kunci yang dihasilkan dari berbagai komentar dan hastag dengan jumlah data tertentu, salah satunya melakukank Klasifikasi data dari twitter terkait isu pro dan kontra blokir kominfo yang tranding di twitter.
Dalam melakukan pengolahan data yang bersifat sensitif ini akan menggunakan analisa sentimen pada sistem yang dibangun dengan pendekatan metode Support Vector Mechine (SVM). SVM dikenal sebagai metode yang memiliki nilai akurasi yang sangat baik untuk pengklasifikasian data[10] yang akan menghasilkan hasil lebih baik dari pada menggunakan analisa sentiment dengan metode lainnya. Dalam penelitian ini menggunakan metode SVM yang diharapkan dapat menyelesaikan permasalahan. Dengan dilakukannya analisis sentimen ini, diharapkan dapat diketahui permasalahan yang terdapat pada isu yang kerkembang dimasyarakat saat ini terkait blokir kominfo, sehingga dapat dijadikan saran dan masukan untuk peningkatan program Kominfo dan menilai dari pendapat masyarakat.
543 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 541-551 E-ISSN 2503-2933
2. METODE PENELITIAN
2.1. Tahapan penelitian
Tahapan Tahapan dalam melakukan penelitian ini secara cross sectional. Tujuan penelitian untuk mengidentifikasi analisis sentimen pada Twitter terkait isu blokir kominfo menggunakan metode text mining. Sampel data pada penelitian ini adalah bersumber dari tweet netizen Indonesia yang terkait kata kunci kominfo dan blokirkominfo. Periode pengambilan data dilakukan pada tanggal 30 juli 2022 sampai dengan 10 agustus 2022 dimana kata kunci tersebut sedang tranding di twitter sehingga data akan banyak bisa didapatkan untuk dijadikan bahan penelitian.
Hasil scrapping dari tweeter didapatkan sample data lebih dari 100.000 sample yang terdiri dari komentar dan hastag sesuai yang ditargetkan dengan klasifikasi utama yaitu menggunakan bahasa Indonesia.
Didalam tahapan pengumpulan data terdapat beberapa instrument yang digunakan diantaranya penggunaan tweepy di jupyter pyhton3.
Gambar 1. Alur Scrapping Data
Kemudian untuk melakukan penelitian ini melakukan metodologi yang bisa dilihat pada Gambar 2.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 541-551 E- ISSN 2503-2933 544
Gambar 2. Metodologi Penelitian
Penelitian ini menggunakan dataset sentimen yang berasal dari tweet masyarakat dengan yand selanjutnya dipisahkan menjadi 2 kelompok, yaitu tweet negatif, dan positif
2.2. Software yang digunakan
Dalam tahapan proses melakukan pengumplan dan klasifikasi data pada penelitian ini bertujuan untuk menghapus data-data tweet yang bermasalah ketika proses penyeleksian data seperti pengelompokan kata-kata dan emotion tertentu. Dalam proses preprocessing ini menggunakan Python 3.10.6 dengan sistem yang terkoneksi dengan API Twitter melalui sistem tweepy jupyter.
2.3. Analisis sistem
Adapun proses ini dilakukan dengan 3 tahap yaitu proses pembersihan karakter, stemming, dan stopword.
a. Klasifikasi
Sistem pengelompokan dalam penelitian ini diselesaikan dengan membersihkan informasi pada tahap preprocessing. Informasi selanjutnya akan diurutkan dengan menurunkan nilai berbobot ke Strategi Pembobotan Kata TF-IDF N-Gram (1-2) dan N-Gram (1-3) yang mengharapkan untuk memperkenalkan jumlah dampak yang dimiliki bobot pada laporan .
Teknik TF-IDF yang digunakan dipisahkan menjadi 2 batasan pembobotan terdekat tfi.j yang merupakan pembobotan yang diperoleh dari pengulangan tertentu bahwa kejadian kata I pada laporan j dan pembobotan global menggunakan idfi adalah bobot yang diperoleh dengan memikirkan berbagai kejadian dari kata I (DFI). pada semua N record. Kemudian, nilai bobot
545 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 541-551 E-ISSN 2503-2933
lingkungan ditambah dengan nilai beban di seluruh dunia untuk mendapatkan hasilnya.
Petunjuk langkah demi langkah untuk menghitung berat adalah sebagai berikut:
b. Pengujian
Pada tahap pengujian ini, pengujian efek samping penanganan dan pengaturan informasi dilakukan untuk pengujian menggunakan prosedur K-Crease Cross Approval, dengan jumlah pendahuluan (k) beberapa kali. Pengujian selesai dengan memisahkan dataset menjadi 10 bagian. Jumlah 9 (sembilan) dari 10 (sepuluh) bagian dataset yang digunakan untuk siklus persiapan. Sisanya digunakan untuk pengujian sistem (testing).
Siklus atau pengulangan terjadi 10 (sepuluh) kali serta variasi dalam campuran informasi sebanyak 10 (sepuluh) bagian dalam dataset untuk persiapan dan pengujian. Pada tahap pengujian ini selesai untuk membedah konsekuensi dari estimasi mesin yang telah dilakukan, yang kemudian mendapatkan efek samping berupa ketepatan, akurasi, review, dan waktu penyusunan.
Tahap pengujian ini dilakukan untuk memiliki pilihan untuk menguji konsekuensi dari interaksi mesin yang telah selesai, untuk mendapatkan hasil yang tepat, akurasi, review, dan waktu pemesanan.
c. Metode Support Vector Machine
Ini merupakan metode untuk melakukan klasifikasi memproses data teks menggunakan kernel linear. Kernel ini berfungsi untuk menggambarkan dimensi yang lebih kecil ke dimensi lebih besar. Metode SVM ini memiliki 4 kernel:
Tabel 1. Kernel SVM Kernel linier : ݇(ݔ,
ݕ) = ݔ. �
Kernel sigmoid: (ݔ, ݕ) = tanh(ߪ( ݔ. ݕ) +
�
Kernel polinomial:
(ݔ, ݕ) = (ݔ. ݕ)
Kernel RBF: ܭ(ݔ, ݕ) = exp ( −ݔ−ݕ 2 2ߪ2 )
Kernel Dimana: C : constanta, d : degree, exp : eksponensial
3. HASIL DAN PEMBAHASAN
Untuk memberikan sebuah hasil dari penelitian ini maka proses pengumpulan dataidapatkan dari media sosial twitter dengan tweet yang berfokus pada kata KOMINFO.
Proses pengumpulan data ini dilakukan dari tanggal 06-14 Agustus 2022 dimana waktu tersebut sedang ramainya pemberitaan tentang kominfo di twitter yang menghasilkan 25.000 data pengumpulan data twitter mengenai blokir kominfo. Pengumpulan data tersebut dilakukan dengan metode otomatis memanfaatkan python dan menginstall beberapa library yang dibutuhkan seperti library tweepy, hasil data yang dikumpulkan dapat disimpan dengan format .json dan .csv.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 541-551 E- ISSN 2503-2933 546
Berikut gambar yang yang menunjukan sample data terkait opini masyarakat terkait isu blokir kominfo di twitter dengan skema scrapping melalui API Twitter dengan proses jupyter python dengan kata kunci blokir dan kominfo.
Gambar 3. Contoh Hasil Scrapping Data
Untuk mendapatkan sample data dengan metode scrapping web twitter menggunakan python3 yang terkoneksi langsung ke API Twitter dengan algoritma sebagai berikut:
Gambar 4. Algoritma Get Keywords
Algoritma diatas disetting untuk mengambil data kata kunci #blokirkominfo.
3.1. Processing Data
Setelah data didapatkan tahapan berikutnya data akan diproses untuk dilakukan pembersihan data yang diperoleh untuk mendapatkan data yang diinginkan salah satunya menghapus link atau atribut lain yang tidak akan digunakandari sebuah tweet. Proses data ini melewati proses Case Folding, Filtering, Tokenizing dan Stopword.
3.2. Case Folding
Dalam tahap ini semua huruf kapital dalam teks diganti menjadi huruf kecil. Gambar 5 menunjukkan hasil proses case folding.
547 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 541-551 E-ISSN 2503-2933
Gambar 5 Hasil Case Folding
3.3. Filtering
Tahapan ini adalah proses pembersihan teks dari komponen yang tidak diperlukan dalam analisis sentimen seperti simbol, emotion, karakter tanda baca, maupun angka, emoticon dan link URL. Gambar 6 menunjukkan hasil tahapan filtering.
Gambar 6 Hasil Filtering
3.4. Tokenizing
Tahapan ini merupakan pemisahan teks kalimat menjadi potongan per kata sesuai spasi dalam teks. Gambar 6 menunjukkan hasil tahapan tokenizing.
Gambar 7. Hasil Tokenizing
3.5. Stopword
Adalah cara yang paling umum untuk memilih atau memisahkan kata-kata dalam teks yang tidak diperlukan seperti kata penghubung, pengubah, dll, yang tidak diperlukan dalam menampilkan informasi. Gambar 8 menunjukkan efek samping dari langkah-langkah evakuasi stopword.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 541-551 E- ISSN 2503-2933 548
Gambar 8. Hasil Stopword
3.6. Analisis Menggunakan Support Vector Machine
Strategi Support Vector Machine yang dilakukan di python memberikan hasil jenis laporan pengelompokan, kemampuan untuk memulihkan informasi (review), akurasi (akurasi), dan hasil ketepatan (presisi). Berikut adalah gambar konsekuensi dari kekacauan jaringan.
Gambar 9 Hasil Confusion Matrix SVM
Gambar diatas adalah hasil confusion matrix digunakan untuk melakuakn evaluasi model. Sehingga di dapatkan perhitungan nilai akurasi menggunakan metode Support Vector Machine dengan code Python dengan sentiment Positif, Netral dan Negatif.
3.7. Implementasi
Dari data yang diperoleh kemudian diolah dengan sedimikian rupa maka data dirubah menjadi data visualisasi yang bisa memperlihatkan bahwa isu blokir kominfo masih memiliki tanggapan nilai positif dari masyarakat.
549 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 541-551 E-ISSN 2503-2933
Gambar 10. Chart Hasil Analisis
Selain itu hasil dari analisis dimasukan menjadi data scv yang bisa dijadikan data analisis lanjutan.
Gambar 11. Data Dalam Bentuk CSV
4. KESIMPULAN
Dari proses penelitian yang dilakukan tentang identifikasi isu blokir kominfo maka hasil yang didapat dari klasifikasi komentar masyarakat kedalam tiga kelas yaitu negative 20% netral 76% dan positif 4%. Ini menunjukan tanggapan netral dari masyarakat lebih besar disbanding klasifikasi lain, akan tetapi penilaian negative lebih besar dari pada positif yang menunjukan mash banyak Sebagian masyarakat yang tidak setuju atau berpendapat kontra terhadap program kominfo tersebut.
Dari hasil penelitian metode yang Support Vector Machine menggunakan Bahasa python telah memberikan tingkat akurasi yang tinggi dalam melakukan pengelompokan opini masyarat berupa tweet positif dan negatif melalui media sossial . Penelitian yang dijalankan pada penelitian ini dimulai dari mengidentifikasi masalah dan tujuan penelitian, kemudian melakukan studi pustaka, pengumpulan data yang digunakan sebagai input, melakukan perancangan sistem, pengujian sistem, analisis hasil, dan yang terakhir menarik kesimpulan.
Blokir Kominfo
Positif Netral Negatif
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 541-551 E- ISSN 2503-2933 550
5. SARANDari hasil penelitian yang telah dibuat, penulis berharap bisa memberikan informasi tambahan bagi pengguna yang sedang mencari informasi mengenai identifikasi text mining dengan metode support vector machine. Adapun untuk memaksimalkan penelitian sejenis, maka peneliti selanjutnya bisa menggunakan metode yang lain jika dirasa dapat lebih memaksimalkan hasil daripada metode yang telah dibuat oleh penulis.
UCAPAN TERIMA KASIH
Penulis mengucapkan banyak terima kasih kepada ibu Christina Juliane selaku dosen pengajar di STMIK LIKMI yang telah memberikan bimbingannya sehingga penulis bisa melakukan penelitian ini sampai dengan selesai, penulis berharap hasil penelitian ini dapat memberikan informasi bermanfaat bagi seluruh kalangan masyarakat Indonesia khususnya bagi pembaca yang sedang memerlukan infomasi terkait.
DAFTAR PUSTAKA
[1] E. Y. Arifianto, “Analisis Topik Data Tindak Kriminal pada Media Sosial Twitter Menggunakan Metode LDA (Latent Dirichlet Allocation),” pp. 1–204, 2020, [Online].
Available:
https://dspace.uii.ac.id/handle/123456789/28540%0Ahttps://dspace.uii.ac.id/bitstream/ha ndle/123456789/28540/14917209 Ervan Yogi Arifianto.pdf?sequence=1
[2] N. Fitriyah, B. Warsito, and D. A. I. Maruddani, “Analisis Sentimen Gojek pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (SVM),” J. Gaussian, Vol. 9, No. 3, pp. 376–390, 2020, doi: 10.14710/j.gauss.v9i3.28932.
[3] S. C. Dewanti, “Pembatasan Internet Dalam Mengatasi Konflik di Papua,” J. Info Singk., Vol. 11, No. 17, pp. 1–6, 2019, [Online]. Available:
http://berkas.dpr.go.id/puslit/files/info_singkat/Info Singkat-XI-17-I-P3DI-September- 2019-1946.pdf
[4] D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud,
“Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,” J. Sisfokom (Sistem Inf. dan Komputer), Vol. 10, No. 3, pp. 432–437, 2021, doi: 10.32736/sisfokom.v10i3.1302.
[5] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) Untuk Pengkategorian Penelitian,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), Vol. 1, No. 1, pp. 19–25, 2017, doi: 10.29207/resti.v1i1.11.
[6] V. Kevin, S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization (Online Transportation Sentiment Analysis Using Support Vector Machine Based on Particle Swarm Optimization),” Vol. 9, No. 2, pp. 162–170, 2020.
551 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 541-551 E-ISSN 2503-2933
[7] S. Khairunnisa, A. Adiwijaya, and S. Al Faraby, “Pengaruh Text Preprocessing Terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” J. Media Inform. Budidarma, Vol. 5, No. 2, p. 406, 2021, doi: 10.30865/mib.v5i2.2835.
[8] T. P. Lestari, “Analisis Text Mining pada Sosial Media Twitter Menggunakan Metode Support Vector Machine (SVM) dan Social Network Analysis (SNA),” J. Inform. Ekon.
Bisnis, Vol. 4, No. 3, pp. 65–71, 2022, doi: 10.37034/infeb.v4i3.146.
[9] R. R. Moningka, D. B. Setyohadi, K. Khaerunnisa, and P. Pranowo, “Identifikasi Kebutuhan Dasar di Tempat Evakuasi Sementara Pasca Erupsi Merapi Dengan Sentiment Analisis dan Support Vector Machine,” Telematika, Vol. 15, No. 1, p. 77, 2018, doi: 10.31315/telematika.v15i1.3068.
[10] S. Winiarti, D. Widayanti, U. Ahdiani, and T. Ismail, “Klasifikasi Jenis Buku Berdasarkan Cover dan Judul Buku Menggunakan Metode Support Vector Machine dan Cosine Similarity,” Sainteks, Vol. 19, No. 1, p. 53, 2022, doi:
10.30595/sainteks.v19i1.13423.
