ANALISIS SENTIMEN MEDIA SOSIAL TWITTER TERHADAP RUU OMNIBUS LAW DENGAN METODE NAÏVE BAYES DAN PARTICLE SWARM OPTIMIZATION TUGAS AKHIR

(1)

ANALISIS SENTIMEN MEDIA SOSIAL TWITTER TERHADAP RUU OMNIBUS LAW DENGAN METODE NAÏVE BAYES DAN PARTICLE SWARM OPTIMIZATION

TUGAS AKHIR

Diajukan Untuk Memenuhi

Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang

Syukri Adisakti Dainamang 201710370311185

Bidang Minat Data Science

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH MALANG

TAHUN 2021

(2)

i

LEMBAR PERSETUJUAN

ANALISIS SENTIMEN MEDIA SOSIAL TWITTER TERHADAP RUU OMNIBUS LAW DENGAN METODE NAÏVE BAYES DAN PARTICLE SWARM OPTIMIZATION

Syukri Adisakti Dainamang 201710370311185

Telah Direkomendasikan Untuk Diajukan Sebagai Judul Tugas Akhir

Di Teknik Informatika Universitas Muhammadiyah Malang

Menyetujui,

Dosen I

Nur Hayatin, S. ST., M.Kom NIDN. 072603848402

Dosen II

Didih Rizki, C. S.Kom., M.Kom NIDN. 0702109201

(3)

ii

LEMBAR PENGESAHAN

(4)

iii

LEMBAR PERNYATAAN

(5)

iv ABSTRAK

Media sosial merupakan platform yang paling digemari oleh masyarakat Indonesia mulai facebook, instagram dan twitter. Twitter merupakan salah satu media sosial yang paling banyak digunakan baik itu untuk berinteraksi dengan orang lain ataupun mencari informasi-informasi ataupun berita yang sedang trending topik, dengan cepatnya berbagai berita ataupun informasi tersebar di twitter seperti isu yang sedang trending saat ini yaitu mengenai Ruu Omnibus Law, berbagai tanggapan yang diberikan oleh pengguna twitter mengenai kebijakan yang sudah disahkan oleh pemerintah ini. Dalam penelitian ini mengklasifikasikan sentimen masyarakat Indonesia mengenai isu Omnibus Law ini menggunakan metode Naïve Bayes dan Particle Swarm Optimization (PSO) dan dibagi kedalam dua skenario pengujian, penggunaan Algoritma Particle Swarm Optimization pada Naïve bayes ini bertujuan mengoptimalkan hasil akurasi. Hasil yang didapatkan pada saat memakai Naïve Bayes berbasis Particle Swarm Optimization (PSO) lebih baik jika dibandingkan dengan Naïve Bayes. Hasil akurasi yang paling baik terdapat pada skenario tiga dengan split data 90% - 10% menggunakan Naïve Bayes mendapatkan hasil 85% dan memakai Naïve Bayes berbasis Particle Swarm Optimization hasil akurasinya berubah menjadi lebih tinggi 4% mendapatkan hasil 91%, besaran dalam melakukan split data sangat berpengaruh terhadap hasil klasifikasi yang dilakukan. Tanggapan dari masyarakat berupa sentimen negatif terhadap RUU Omnibus Law.

Kata Kunci : Analisis sentimen, RUU Omnibus Law, Naïve Bayes, Particle Swarm Optimization (PSO).

(6)

v ABSTRACT

Social media is the most popular platform by the Indonesian people, starting from Facebook, Instagram and Twitter. Twitter is one of the most widely used social media, both for interacting with other people or looking for information or news that is trending topics, quickly various news or information spreads on Twitter such as issues that are currently trending, namely the Omnibus Law. , various responses given by twitter users regarding this policy that has been approved by the government. In this study, to classify the sentiments of the Indonesian people regarding the issue of Omnibus Law using the method Naïve Bayes and Particle Swarm Optimization (PSO) and divided into two test scenarios, the use of theAlgorithm Particle Swarm Optimization on Naive Bayes aims to optimize the accuracy results. The results obtained when using Naive Bayes based on Particle Swarm Optimization (PSO) are better than Naive Bayes.

The best accuracy results are in scenario three with split 90% - 10% data using Naïve Bayes to get 85% results and using Naïve Bayes based on Particle Swarm Optimization the accuracy results change to higher 4% get 91% results, the amount in doing the split data is very influential on the results of the classification carried out. The response from the public is in the form of negative sentiment towards the Omnibus Law Bill.

Keywords : Sentiment analysis, Omnibus Law Bill. Naïve Bayes, Particle Swarm Optimization (PSO).

(7)

vi

LEMBAR PERSEMBAHAN

Alhamdulillahirabbil’alamin, puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan Tugas Akhir ini. Selama proses penyusunan tugas akhir, penulis memperoleh banyak dukungan dan bimbingan yang sangat bermanfaat dari berbagai pihak.

Oleh karena itu, penulis mengucapkan terimakasih yang sebesar-besarnya kepada :

1. Kedua orang tua saya, Bapak umar Ali dan Ibu Yustin T. May yang telah memberikan doa serta dukungan untuk segala kelancaran, kemudahan,dan kesuksesan kepada penulis selama proses perkuliahan hingga penulis bisa menyelesaikan skripsi ini.

2. Ibu Gita Indah Marthasari, ST., M.Kom selaku Ketua Jurusan program studi Informatika Universitas Muhammadiyah Malang.

3. Ibu Nur Hayatin, S. ST., M.Kom dan Didih Rizki Chandranegara, S.Kom., M.Kom selaku Pembimbing I dan Pembimbing II yang telah meluangkan waktu, memberikan arahan dan dukungannya, sehingga penulis dapat menyelesaikan skripsi ini dengan baik.

4. Pak Wahyu Andhika Kusuma, S.Kom., M.Kom selaku dosen wali yang telah membimbing dari awal perkuliahan hingga selesainya skripsi ini.

5. Seluruh dosen program studi Informatika Universitas Muhammadiyah Malang yang telah banyak memberikan ilmu dan pengalaman selama proses perkuliahan.

6. Titis Nur Latifah yang senantiasa menemani dan selalu memberikan semangat dalam menyelesaikan perkuliahan hingga skripsi ini

7. Teman seperjuangan Tugas Akhir saya, Nanda, Rista yang selalu memberikan saran, dukungan, dan motivasi selama mengerjakan Tugas Akhir ini hingga selesai.

8. Semua pihak yang tidak dapat penulis sebutkan satu persatu, yang telah memberikan dukungan dan doa kepada penulis untuk menyelesaikan skripsi ini.

(8)

vii

9. Last but not least, I wanna thank me, for believing in me, for doing all this hard work, for having no days off, for never quitting, for just being me at all times..

Malang, 18 September 2021

Penulis

(9)

viii

KATA PENGANTAR

Dengan memanjatkat puji syukur atas kehadirat Allah SWT atas limpahan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir ini dengan judul

“ANALISIS SENTIMEN MEDIA SOSIAL TWITTER TERHADAP RUU OMNIBUS LAW DENGAN METODE NAÏVE BAYES DAN

PARTICLE SWARM OPTIMIZATION”

Dalam penelitian ini disajikan pokok–pokok pembahasan yang meliputi pengumpulan data tentang sentimen masyarakat terhadap RUU Omnibus Law, pembersihan data(preproses), pembobotan kata pada setiap kalimat serta melakukan klasifikasi menggunakan metode Particle Swarm Optimization (PSO) untuk mengoptimalkan hasil dari Naïve Bayes. Tugas akhir merupakan syarat studi yang harus ditempuh oleh seluruh mahasiswa Universitas Muhammadiyah Malang, untuk menyelesaikan studi pada jenjang program strata 1.

Penulis menyadari bahwa penelitian skripsi ini masih jauh dari kata sempurna, sehingga penulis mengharapkan kritik dan saran yang membangun agar penelitian ini menjadi lebih baik kedepannya. Namun, penulis berharap semoga penelitian ini bermanfaat bagi peneliti khususnya dan pembaca pada umumnya.

Malang, 18 September 2021

Penulis

(10)

ix DAFTAR ISI

LEMBAR PERSETUJUAN ... i

LEMBAR PENGESAHAN ... ii

LEMBAR PERNYATAAN ... iii

ABSTRAK ... iv

ABSTRACT ... v

LEMBAR PERSEMBAHAN ... vi

KATA PENGANTAR ... viii

DAFTAR ISI ... ix

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xiii

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Tujuan ... 3

1.4 Batasan Masalah ... 3

BAB 2 TINJAUAN PUSTAKA ... 4

2.2 Sentimen Analisis ... 4

2.3 Media Sosial ... 4

2.3 RUU Omnibus Law ... 4

2.4 Preprocessing Text ... 5

2.5 Term Frequency – Inverse Document Frequency... 6

2.6 Naïve Bayes ... 6

2.7 Particle Swarm Optimization... 7

BAB 3 METODE PENELITIAN ... 8

3.1 Pengumpulan Data ... 8

3.2 Data Preprocessing... 9

3.4 Particle Swarm Optimization (PSO) ... 10

3.5 Naïve Bayes ... 11

(11)

x

3.6 Evaluasi Metode ... 12

3.7 Skenario Pengujian ... 12

BAB 4 HASIL DAN PEMBAHASAN ... 14

4.1. Crawling Data ... 14

4.2. Preprocessing Data... 15

4.4 Implementasi ... 19

4.5 Implementasi Naïve Bayes ... 20

4.6 Impelentas Particle Swarm Optimization (PSO) ... 21

4.7 Evaluasi Model ... 22

4.8 Model Naïve Bayes ... 23

4.9 Model Naïve Bayes berbasis Particle Swarm Optimization (PSO) ... 26

4.10 Analisis Hasil ... 28

BAB 5 KESIMPULAN ... 31

5.1 Kesimpulan ... 31

5.2 Saran ... 31

DAFTAR PUSTAKA ... 32

(12)

xi

DAFTAR GAMBAR

Gambar 1 Alur Penelitian... 8

Gambar 2 Alur PSO ... 10

Gambar 3 Syntax crawling data ... 14

Gambar 4 Syntax penyimpanan data ... 14

Gambar 5 Syntax case folding ... 15

Gambar 6 Syntax normalization ... 15

Gambar 7 Syntax string.punctuation ... 16

Gambar 8 Syntax tokenizing ... 16

Gambar 9 Syntax stopwords ... 16

Gambar 10 Syntax menghapus stopwords ... 16

Gambar 11 Syntax StemmerFactory... 16

Gambar 12 Syntax stemming kata ... 17

Gambar 13 Syntax menghitung nilai Term Frequency ... 17

Gambar 14 Hasil Term Frequency ... 17

Gambar 15 Syntax Inverse document frequency ... 18

Gambar 16 Hasil Inverse document frequency ... 18

Gambar 17 Syntax TF-IDF ... 18

Gambar 18 Hasil TF-IDF ... 19

Gambar 19 Syntax import library ... 19

Gambar 20 Syntax X dan y... 19

Gambar 21 Syntax split data ... 19

Gambar 22 Syntax scaling data ... 20

Gambar 23 Syntax Preprocessor ... 20

Gambar 24 Syntax parameter NB ... 20

Gambar 25 Syntax implementasi Naive Bayes ... 20

Gambar 26 Syntax import library ... 21

Gambar 27 Syntax mengaplikasikan NB berbasis PSO... 21

Gambar 28 Syntax Swarm ... 21

Gambar 29 Syntax inisialisasi iterasi ... 22

Gambar 30 Syntax feature selection ... 22

Gambar 31 Syntax hasil cross validation ... 23

(13)

xii

Gambar 32 Grafik perbandingan akurasi ... 29 Gambar 33 Grafik perbandingan precision, recall, dan f – measure ... 30

(14)

xiii

DAFTAR TABEL

Tabel 1 Evaluasi Model ... 12

Tabel 2 Hasil iterasi K = 10 Naïve Bayes ... 23

Tabel 3 Confusion matrix pengujian 1 ... 24

Tabel 4 Hasil evaluasi klasifikasi pengujian 1 ... 24

Tabel 15 Perbandingan hasil akurasi ... 28

Tabel 16 Perbandingan precision, recall, dan f – measure ... 29

(15)

14

DAFTAR PUSTAKA

[1] C. Darmawan, H. Silvana, H. N. Zaenudin, and R. Effendi,

“Pengembangan hubungan interpersonal remaja dalam penggunaan media sosial di Kota Bandung,” vol. 7, no. 2, pp. 159–169, 2019.

[2] J. Gaussian, “3 1,2,3,” vol. 9, pp. 376–390, 2020.

[3] A. H. Dyo fatra, N. H. Hayatin, and C. S. K. Aditya, “Analisa Sentimen Tweet Berbahasa Indonesia Dengan Menggunakan Metode Lexicon Pada Topik Perpindahan Ibu Kota Indonesia,” J. Repos., vol. 2, no. 7, p. 977, 2020.

[4] T. Nurahman, Y. Azhar, and N. Hayatin, “Analisis Sentimen Konten Radikal dalam Kontestasi Politik 2019 di Media Twitter Menggunakan Interjection dan Punctuation,” J. Repos., vol. 2, no. 7, p. 905, 2020.

[5] I. Menggunakan, N. Bayes, and K. Tidak, “Analisis Sentimen Tentang Opini Film pada Dokumen Twitter Berbahasa Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku,” no. December, 2017.

[6] S. Juanita, “Analisis Sentimen Persepsi Masyarakat Terhadap Pemilu 2019 Pada Media Sosial Twitter Menggunakan Naive Bayes,” J. Media Inform.

Budidarma, vol. 4, no. 3, p. 552, 2020.

[7] N. Hayatin, G. I. Marthasari, and L. Nuarini, “Optimization of Sentiment Analysis for Indonesian Presidential Election using Naive Bayes and Particle Swarm Optimization,” J. Online Inform., vol. 5, no. 1, pp. 81–88, 2020.

[8] U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol.

1, no. 12, pp. 1725–1732, 2017.

[9] Samsir, Ambiyar, U. Verawardina, F. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, pp. 157–163, 2021.

(16)

15

[10] C.- Pandemic, B. Laurensz, and E. Sediyono, “Analisis Sentimen

Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19 ( Analysis of Public Sentiment on Vaccination in Efforts to Overcome the,” vol. 10, no. 2, pp. 118–123, 2021.

[11] F. Kurniawan, “Problematika Pembentukan RUU Cipta Kerja Dengan Konsep Omnibus Law,” J. Panor. Huk., vol. 5, no. 1, pp. 63–76, 2020.

[12] A. F. Gultom and M. Reresi, “Kritik Warga Pada Ruu Omnibus Law Dalam Paradigma Critical Legal Studies,” J. Pendidik. Kewarganegaraan, vol. 10, no. 1, p. 38, 2020.

[13] E. Indrayuni, “Klasifikasi Text Mining Review Produk Kosmetik Untuk Teks Bahasa Indonesia Menggunakan Algoritma Naive Bayes,” J.

Khatulistiwa Inform., vol. 7, no. 1, pp. 29–36, 2019.

[14] M. W. A. Putra, Susanti, Erlin, and Herwin, “Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode Naïve Bayes Classifier,” IT J. Res. Dev., vol. 5, no. 1, pp. 72–86, 2020.

[15] V. Nurhidayah, W. Utari, and C. S. Hartati, “Jurnal Mitra Manajemen ( JMM Online ),” J. Mitra Manaj., vol. 2, no. 4, pp. 273–285, 2019.

[16] R. D. Handayani, K. Kusrini, and H. Al Fatta, “Perbandingan Fitur

Ekstraksi Untuk Klasifikasi Emosi Pada Sosial Media,” J. Ilm. SINUS, vol.

18, no. 2, p. 21, 2020.

[17] C. Fiarni, H. Maharani, and R. Pratama, “Sentiment analysis system for Indonesia online retail shop review using hierarchy Naive Bayes

technique,” 2016 4th Int. Conf. Inf. Commun. Technol. ICoICT 2016, no.

May 2016, 2016.

[18] A. Rossi, T. Lestari, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini Pilkada DKI 2017 Pada Dokumen Twitter

Berbahasa Indonesia Menggunakan Näive Bayes dan Pembobotan Emoji,”

J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1718–1724, 2017.

[19] R. Y. Hayuningtyas and R. Sari, “Analisis Sentimen Opini Publik Bahasa Indonesia Terhadap Wisata Tmii Menggunakan Naïve Bayes Dan Pso,” J.

Techno Nusa Mandiri, vol. 16, no. 1, pp. 37–42, 2019.

(17)

16

[20] A. Novrisal, “Sentimen Analisis Tweet Berbahasa Indonesia Pada Pilkada Serentak 2020 Menggunakan Metode Naive Bayes Berbasis Particle Swarm Optimization,” J. Chem. Inf. Model., vol. 2, no. 1, pp. 5–7, 2020.

(18)

17