783 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 783-792 E-ISSN 2503-2933
Analisis Sentimen Masyarakat Indonesia Terhadap Produk Kendaraan Listrik Menggunakan VADER
Muchamad Taufiq Anwar*1, Denny Riandhita Arief Permana2
1,2Politeknik STMI Jakarta, Prodi Sistem Informasi Industri Otomotif
1,2Jalan Letjen Suprapto No 26, Jakarta Pusat e-mail: *1[email protected], 2[email protected]
Abstrak
Setelah memperkenalkan produk kendaraan listrik ke pasar, produsen perlu untuk mengetahui opini / sentimen masyarakat terhadap produk yang telah diperkenalkan tersebut.
Informasi ini dapat dimanfaatkan oleh produsen sebagai dasar dalam penentuan strategi bisnis berikutnya. Salah satu teknik yang dapat digunakan yaitu analisis sentimen yang merupakan bagian dari Natural Language Processing dalam Data Mining / Kecerdasan Buatan. Penelitian ini bertujuan untuk mengetahui sentimen publik terhadap sebuah produk kendaraan listrik menggunakan pendekatan metode analisis sentimen berbasis leksikon dan aturan (lexicon- and rule-based) yang bernama VADER (Valence Aware Dictionary dan Sentiment Reasoner).
Sebanyak 3707 tweets (955 data unik) diambil menggunakan library tweepy pada Python dan dianalisis menggunakan submodul VADER pada library nltk (Natural Languange Toolkit) serta dibuat visualisasi menggunakan library wordcloud. Hasil penelitian menunjukkan bahwa sebagian besar (95%) sentimen publik adalah positif, dan 5% negatif. Sentimen positif yang disampaikan publik yaitu terkait keunggulan produk seperti fitur, desain, kecanggihan, dan ramah lingkungan. Sementara sentimen negatif yaitu di antaranya terkait ketiadaan fast charging dan harga yang dirasa masih kurang ekonomis.
Kata kunci—analisis sentimen, kendaraan listrik, VADER
Abstract
After introducing electric vehicle products to the market, manufacturers need to find out public opinion/sentiment towards the products that have been introduced. This information can be used by manufacturers as a basis for determining the next business strategy. One technique that can be used is sentiment analysis which is part of Natural Language Processing in Data Mining / Artificial Intelligence. This study aims to determine public sentiment towards an electric vehicle product using a lexicon and rule-based sentiment analysis method approach called VADER (Valence Aware Dictionary and Sentiment Reasoner). A total of 3707 tweets (955 unique data) were taken using the tweepy library in Python and analyzed using the VADER submodule in the nltk library (Natural Language Toolkit) and visualization was made using the wordcloud library. The results showed that the majority (95%) of public sentiment was positive, and 5% negative. The positive sentiment conveyed by the public is related to product advantages such as features, design, sophistication, and environmental friendliness.
Meanwhile, negative sentiments are related to the absence of fast charging and prices that are still considered uneconomical.
Keywords—sentiment analysis, electric vehicle, VADER
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 783-792 E- ISSN 2503-2933 784
1. PENDAHULUAN
alam masa transisi adopsi kendaraan listrik saat ini, beberapa produsen kendaraan listrik telah melepas produknya ke pasaran. Setelah memperkenalkan sebuah produk ke publik, pihak produsen tentu ingin mengetahui respons publik terhadap produk yang diperkenalkan tersebut. Penelitian ini bertujuan untuk mengetahui opini, padangan, atau sentimen masyarakat terkait sebuah produk kendaraan listrik yang telah diluncurkan pada tahun 2022. Informasi ini dapat dimanfaatkan oleh produsen sebagai umpan balik dari pasar dan menjadi dasar dalam penentuan strategi bisnis berikutnya. Salah satu teknik yang dapat digunakan yaitu analisis sentimen yang merupakan bagian dari Natural Language Processing dalam Data Mining / Kecerdasan Buatan. Analisis sentimen adalah sebuah cara untuk menginterpretasikan opini seseorang terhadap sebuah topik tertentu, sebuah kejadian, dan lain sebagainya [1]. Nama lain dari analisis sentimen adalah opinion mining (penambangan opini) [1], [2]. Analisis sentimen menawarkan solusi berbasis teknologi untuk memahami reaksi, pandangan, dan polaritas opini seseorang (positif, negatif, atau netral) dalam konten tekstual yang tersedia melalui sumber media sosial [3]. Analisis sentimen pada dasarnya adalah kegiatan mengklasifikasikan teks (text-classification) [4], [5]. Analisis sentimen dapat dilakukan pada tiga tingkatan, yaitu: tingkat dokumen, tingkat kalimat, dan tingkat aspek atau entitas [6]. Dalam penelitian ini, analisis sentimen dilakukan pada tingkat dokumen, yaitu pada masing-masing tweet. Dalam penelitian ini, data didapatkan dari media sosial Twitter. Salah satu teknik analisis sentimen yang tepat digunakan untuk data ini yaitu VADER (Valence Aware Dictionary dan Sentiment Reasoner). VADER adalah alat analisis sentimen berbasis leksikon dan aturan (lexicon- and rule-based) yang secara khusus disesuaikan dengan sentimen yang diungkapkan di media sosial [7].
Dalam beberapa tahun terakhir, penelitian terkait analisis sentimen umumnya dilakukan dengan menggunakan teknik klasifikasi “tradisional” dalam Data Mining seperti Naïve Bayes [8]–[17], Support Vector Machine (SVM) [13]–[15], [18]–[20], dan K-Nearest Neighbor [14], [21]. Sebenarnya masalah analisis sentimen memang dapat didekati sebagai masalah klasifikasi teks. Dalam klasifikasi teks, telah terdapat beberapa metode yang lebih baru seperti Random Forest, Gradient Boosting [22], dan Transformers [5]. Dalam penelitian ini akan dilakukan analisis sentimen menggunakan teknik yang berbeda, yaitu berbasis pada leksikon dan aturan (lexicon- and rule-based) yang disebut VADER. VADER dipilih karena terbukti memiliki akurasi yang lebih baik dibandingkan metode seperti Naïve Bayes, SVM, dan Max-Entropy [7]
dan dibuat secara khusus untuk keperluan analisis sentimen pada teks yang diungkapkan di media sosial. Berbeda dengan penelitian-penelitian lainnya yang melakukan pembuatan dan evaluasi model, dalam penelitian ini digunakan model yang telah dibuat sebelumnya. VADER menggunakan 7.500 leksikon sebagai dasar penentuan kelas sentimen dan memiliki tingkat akurasi F1 sebesar 0,96 (lebih baik daripada asesmen oleh manusia dengan akurasi 0,84) [7].
Penelitian juga menunjukkan bahwa performa VADER lebih baik dibandingkan metode lain dengan pendekatan yang serupa (lexicon-based) seperti TextBlob [23].
2. METODE PENELITIAN
Metode penelitian ditunjukkan pada Gambar 1. Data tweets dikumpulkan dari media sosial Twitter menggunakan library tweepy pada Python. Kata kunci pencarian tweet yang digunakan adalah nama produk kendaraan listrik salah satu produsen otomotif di Indonesia yang meluncurkan produk kendaraan listrik pada bulan Agustus 2022 (merk dan nama produk disensor / tidak disebutkan dalam penelitian ini).
D
785 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 783-792 E-ISSN 2503-2933
Gambar 1. Metode Penelitian
Tahap data preprocessing dilakukan untuk membuang data tweet yang duplikat, yang kosong, dan yang berupa retweet sehingga didapatkan tweet yang unik dan valid saja. Selain itu juga dilakukan pembuangan karakter spesial dan angka dari tweet. Tweet kemudian diterjemahkan ke dalam bahasa Inggris menggunakan Google Translate. Penerjemahan ini diperlukan karena VADER dibuat berdasarkan corpus berbahasa Inggris. Klasifikasi sentimen dilakukan menggunakan submodul VADER yang terdapat pada modul nltk (Natural Languange Toolkit) [24]. Pemrosesan tweet menggunakan VADER akan menghasilkan skor negatif, skor netral, skor positif, dan skor gabungan (compound score). Skor gabungan adalah jumlah skor positif, negatif, dan netral yang kemudian dinormalisasi menjadi nilai antara -1 (negatif paling ekstrem) dan +1 (positif paling ekstrem). Semakin tinggi skor gabungan mendekati nilai +1, semakin tinggi pula kepositifan dari teks tersebut. Pemberian label sentimen positif dilakukan pada tweet yang memiliki skor gabungan lebih dari atau sama dengan nol. Sementara label sentimen negatif diberikan pada tweet dengan skor gabungan kurang dari nol. Tahap berikutnya dilanjutkan dengan menghitung jumlah tweet di setiap kelas sentimen. Kemudian dibuatlah wordcloud untuk sentimen positif dan negatif untuk menunjukkan kata-kata yang sering muncul pada masing-masing kelas. Pembuatan wordcloud dilakukan menggunakan library wordcloud pada Python [25]. Keseluruhan proses dikerjakan menggunakan Python 3.7 dan Jupyter notebook [26].
3. HASIL DAN PEMBAHASAN
Data tweets dikumpulkan dari 28 Agustus 2022 hingga 2 Oktober 2022 yang berjumlah total 3707 baris. Hasil pengumpulan data terdiri dari kolom user (disensor), tanggal dan waktu, dan isi tweet seperti ditunjukkan pada Tabel 1. Setiap tweet diberikan ID atau indeks dari 0 sampai dengan 3706. ID ini berfungsi untuk melacak kesinambungan tweet yang berbahasa Indonesia dengan hasil terjemahannya dalam Bahasa Inggris. Sampel data pada Tabel 1 juga menunjukkan bahwa telah dilakukan pembersihan data dari karakter spesial dan tanda baca pada isi tweet. Data yang duplikat, yang kosong, dan yang berupa retweet dibuang dan didapatkan 955 data unik dan valid seperti ditunjukkan pada Tabel 2. Untuk pemrosesan berikutnya, kolom user dan tanggal dibuang dan dilakukan penerjemahan ke dalam bahasa Inggris. Hasilnya seperti terlihat pada Tabel 3 dan Tabel 4. Data pada kolom isi atau contents diproses oleh VADER dan menghasilkan skor negatif, netral, positif, dan gabungan (neg, neu, pos, compound) seperti ditunjukkan pada Tabel 5. Setelah itu, label sentimen positif/negatif
Preprocessing:
membuang karakter spesial, membuang data
duplikat, retweet, dan data kosong
Data tweets
Klasifikasi sentimen
Visualisasi wordcloud untuk setiap kelas
Analisis, interpretasi, dan evaluasi
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 783-792 E- ISSN 2503-2933 786
diberikan pada kolom “Sentiment” berdasarkan nilai pada kolom compound. Hasilnya ditunjukkan pada Tabel 6. Hasil penghitungan jumlah tweet pada masing-masing kelas sentimen menghasilkan 901 (94%) sentimen positif dan 54 (6%) sentimen negatif seperti ditunjukkan pada Gambar 2. Contoh tweet positif dan negatif dalam bahasa Indonesia ditunjukkan pada Tabel 7. Sampel tweet yang ditunjukkan pada Tabel 7 diambilkan dari tweets yang masih dalam bahasa Indonesia untuk melihat bentuk asli dari tweet yang disampaikan oleh pengguna.Berdasarkan temuan ini kita dapat melihat bahwa sebagian besar orang (94%) memiliki sentimen yang positif terhadap produk kendaraan listrik yang dibahas. Hal ini menunjukkan keberhasilan produsen dalam memperkenalkan produk ini ke pasar dan pasar telah mengenali keunggulan produk tersebut seperti fitur, desain, kecanggihan, dan ramah lingkungan. Di sisi lain, terdapat juga sentimen negatif yang menyoroti kekurangan produk ini seperti ketiadaan fast charging dan harga yang dirasa masih kurang ekonomis. Hasil ini senada dengan riset lain telah menyebutkan bahwa salah satu opini utama masyarakat Indonesia terkait kendaraan listrik adalah tentang ramah lingkungan [27] dan harga [27].
Tabel 1. Sampel Data Mentah Tweet
ID User Tanggal Isi
0 sutoyo****** 2022-08-31
07:28:14 Keren dan super canggih ******
1 chairul****** 2022-08-31
07:22:06 ****** pasti banyak yang pengen sih mantap 2 Berkah****** 2022-08-31
07:18:51 Sangat keren buat gaya gayaan ****** ny...
3 Kamil****** 2022-08-31 07:15:41
Pas banget buat kalangan muda yang kuliah kare..
4 daniel****** 2022-08-31
07:08:30 ****** mengutamakan kepraktisan dan fun...
… … … …
3706 nameless****** 2022-08-26 02:46:58
RT Semudah itu kan Yuk miliki mobil
******...
Tabel 2. Sampel Data Tweet Setelah Dilakukan Penyaringan Data
ID User Tanggal Isi
0 chairul****** 2022-08-31
07:28:14 Keren dan super canggih ******
1 Berkah****** 2022-08-31
07:22:06 ****** pasti banyak yang pengen sih mantap 2 Kamil****** 2022-08-31
07:18:51 Sangat keren buat gaya gayaan ****** ny...
3 daniel****** 2022-08-31 07:15:41
Pas banget buat kalangan muda yang kuliah kare..
4 chairul****** 2022-08-31
07:08:30 ****** mengutamakan kepraktisan dan fun...
… … … …
3624 Mazda****** 2022-09-29
03:51:41 setuju banget emang ******
787 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 783-792 E-ISSN 2503-2933
Tabel 3. Sampel Data Tweet Setelah Dipilih Kolom ID dan Isi
ID Isi
0 Keren dan super canggih ******
1 ****** pasti banyak yang pengen sih mantap 2 Sangat keren buat gaya gayaan ****** ny...
3 Pas banget buat kalangan muda yang kuliah kare..
4 ****** mengutamakan kepraktisan dan fun...
… …
3624 setuju banget emang ******
Tabel 4. Sampel Data Tweet Setelah Diterjemahkan ke Dalam Bahasa Inggris
ID Contents
0 Cool and super sophisticated ******
1 ****** must be a lot of people who want...
2 Very cool for the style of the ******, ...
3 It's really suitable for young people who are ...
4 ****** prioritizes practicality and fun..
… …
3624 I really agree ******
Tabel 5. Sampel Data Tweet Setelah Diproses Menggunakan VADER
ID Contents Neg Neu Pos Compound
0 Cool and super sophisticated ****** 0.0 0.29 0.71 0.8689 1 ****** must be a lot of people who want... 0.0 0.818 0.182 0.2263 2 Very cool for the style of the ******, ... 0.0 0.703 0.297 0.6697 3 It's really suitable for young people who are ... 0.0 0.854 0.146 0.4404 4 ****** prioritizes practicality and fun.. 0.0 1.000 0.000 0.0000
… … …
3624 I really agree ****** 0.0 0.642 0.358 0.4201
Tabel 6 Sampel Data Tweet Setelah Diberikan Label Sentimen Positif dan Negatif
ID Contents Neg Neu Pos Compound Sentiment
0 Cool and super sophisticated ****** 0.0 0.29 0.71 0.8689 Positive 1 ****** must be a lot of people who
want... 0.0 0.818 0.182 0.2263 Positive
2 Very cool for the style of the ******,
... 0.0 0.703 0.297 0.6697 Positive
3 It's really suitable for young people
who are ... 0.0 0.854 0.146 0.4404 Positive
4 ****** prioritizes practicality and
fun.. 0.0 1.000 0.000 0.0000 Positive
… … … …
3624 I really agree ****** 0.0 0.642 0.358 0.4201 Positive Penggunaan wordcloud dapat membantu menemukan kata kunci penting dari sekumpulan data teks yang sangat banyak [28]. Dalam penelitian ini, hasil sentimen dari masing-masing kelas divisualisasikan ke dalam wordcloud untuk melihat kata-kata yang sering muncul dari masing-masing kelas. Wordcloud dibuat berdasarkan teks yang telah diterjemahkan ke dalam
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 783-792 E- ISSN 2503-2933 788
bahasa Inggris dan sudah diklasifikasikan ke dalam kelas sentimen positif dan negatif. Hasil wordcloud untuk sentimen positif ditunjukkan pada Gambar 3 dan untuk sentimen negatif ditunjukkan pada Gambar 4 (catatan: kata-kata yang mengarah ke nama produk telah dihilangkan). Beberapa kata yang muncul dalam sentimen positif yaitu: ‘keren’, ‘lucu’, ‘fitur’,‘ingin’, dan ‘beli’. Sementara kata-kata yang muncul dalam sentimen negatif antara lain:
‘masalah’, ‘jangan’, ‘harga’, dan ‘biaya’.
Setelah dilakukan pengecekan manual ke beberapa tweet dalam sentimen negatif, ditemukan beberapa kesalahan klasifikasi dalam sentimen kelas negatif, seperti pada tweet berikut: “****** gila cute bgt gk da obat” dan “***** Emang Keren parah si berkualitas bgt”.
Hal ini (kemungkinan) disebabkan oleh adanya kata kunci seperti penggunaan kata ‘gila’ dan
‘parah’ pada kalimat-kalimat tersebut yang diartikan VADER sebagai kata-kata bersentimen negatif. Padahal kata tersebut dimaksudkan penulis tweet untuk menekankan kata sifat positif setelahnya, yaitu cute dan keren. Hal ini menjadi temuan salah satu kelemahan dari VADER.
Gambar 2. Hasil Klasifikasi Sentimen Positif dan Negatif Tabel 7. Contoh Tweet Untuk Sentimen Positif dan Negatif
Sentimen Positif Sentimen Negatif
Keren dan super canggih ****** dengan sentuhan eksterior yang futuristis
Dengan harga sekarang kalau pertimbangan ekonomis memang kurang Kalau menurutku di Indonesia lebih cocok PHEV drpd BEV Juga dari harga ******
bandingkan harga bev di China kelihatan kalau dari Indonesia sendiri tidak banyak insentif buat mobil listrik dari pemerintah sangat membantu menghemat pengeluaran
bahan bakar ya ******
turunin duluuu harganya mobil listrik wkwkwk paling terjangkau sekarang
****** itupun masih 300 jutaan mobil kayak ****** ini mesti didukung
buat kelanjutan di indonesia terlebih lagi canggih dan ramah lingkungan
****** Pikir2 dl deh klo mw beli Untuk harga emang murah klo misal dibandingin sama ****** tapi kelemahan dari ******
789 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 783-792 E-ISSN 2503-2933
ga pny fitur fast Charging Jadi misal untuk nge charge nya aja butuh waktu 8 5 sampai 11 jam
banyak fiturnya yang keren dan menarik
******
Limbah Baterai ****** yang Rusak Siapa yang Mengolah
Gambar 3. Hasil Wordcloud Untuk Sentimen Positif
Gambar 4. Hasil Wordcloud Untuk Sentimen Negatif
4. KESIMPULAN
Pada produk kendaraan listrik yang dibahas, sebagian besar opini masyarakat Indonesia terhadap produk tersebut adalah positif, yaitu terkait dengan fitur, desain, kecanggihan, dan ramah lingkungan. Sementara sentimen yang negatif yaitu tentang harga dan ketiadaan fast charging. Hal ini dapat menjadi masukan bagi perusahaan dan ditindaklanjuti oleh perusahaan dalam pembuatan strategi bisnis ke depan.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 783-792 E- ISSN 2503-2933 790
5. SARAN
Berikut beberapa saran untuk penelitian ke depan: a) mengembangkan aplikasi dashboard sentimen berbasis web menggunakan library Streamlit pada Python agar dapat dilakukan pemantauan sentimen secara real-time; b) ke depan setelah produk mulai terjual, produsen dapat memanfaatkan data penjualan untuk membuat prediksi permintaan produk menggunakan metode seperti LSTM (Long Short-Term Memory) [29]. Prediksi ini dapat pula dikaitkan dengan sentimen masyarakat; c) mengelompokkan sentimen berdasarkan topik-topiknya menggunakan metode topic modelling seperti LDA (Latent Dirichlet Allocation) [27].
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Politeknik STMI Jakarta yang telah memberi dukungan terhadap penelitian ini.
DAFTAR PUSTAKA
[1] R. Wagh and P. Punde, “Survey On Sentiment Analysis Using Twitter Dataset,” in 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA), 2018, pp. 208–211.
[2] A. Alsaeedi and M. Z. Khan, “A Study On Sentiment Analysis Techniques of Twitter Data,” Int. J. Adv. Comput. Sci. Appl., Vol. 10, No. 2, 2019.
[3] A. Kumar and A. Jaiswal, “Systematic Literature Review of Sentiment Analysis On Twitter Using Soft Computing Techniques,” Concurr. Comput. Pract. Exp., Vol. 32, No.
1, p. e5107, 2020.
[4] T. SEBASTIAN, “Sentiment Analysis for Twitter,” 2012.
[5] M. T. Anwar, L. Ambarwati, D. Agustin, and others, “Analyzing Public Opinion Based on Emotion Labeling Using Transformers,” in 2021 2nd International Conference on Innovative and Creative Information Technology (ICITech), 2021, pp. 74–78.
[6] R. Sharma, S. Nigam, and R. Jain, “Polarity Detection At Sentence Level,” Int. J.
Comput. Appl., Vol. 86, No. 11, 2014.
[7] C. Hutto and E. Gilbert, “Vader: A Parsimonious Rule-Based Model For Sentiment Analysis of Social Media Text,” in Proceedings of the international AAAI Conference On Web and Social Media, 2014, Vol. 8, No. 1, pp. 216–225.
[8] E. Zuliarso, M. T. Anwar, K. Hadiono, and I. Chasanah, “Detecting Hoaxes in Indonesian News Using TF/TDM and K Nearest Neighbor,” in IOP Conference Series:
Materials Science and Engineering, 2020, Vol. 835, No. 1, p. 12036.
[9] B. Gunawan, H. Sastypratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” JEPIN (Jurnal Edukasi dan Penelit.
791 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 783-792 E-ISSN 2503-2933
Inform., Vol. 4, No. 2, pp. 113–118, 2018.[10] B. M. Pintoko and K. M. Lhaksmana, “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Na{\"\i}ve Bayes Classifier,” eProceedings Eng., Vol. 5, No. 3, 2018.
[11] Y. S. Mahardhika and E. Zuliarso, “Analisis Sentimen Terhadap Pemerintahan Joko Widodo pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes Classifier,”
2018.
[12] S. Samsir, A. Ambiyar, U. Verawardina, F. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Na{\"\i}ve Bayes,” J. Media Inform. Budidarma, Vol. 5, No. 1, pp. 157–163, 2021.
[13] B. Laurensz and E. Sediyono, “Analisis Sentimen Masyarakat Terhadap Tindakan Vaksinasi Dalam Upaya Mengatasi Pandemi Covid-19,” J. Nas. Tek. Elektro dan Teknol.
Inf., Vol. 10, No. 2, pp. 118–123, 2021.
[14] A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru di Twitter Menggunakan Algoritma Klasifikasi,” J.
Teknoinfo, Vol. 14, No. 2, pp. 115–123, 2020.
[15] M. I. Fikri, T. S. Sabrila, and Y. Azhar, “Perbandingan Metode Na{\"\i}ve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” Smatika J., Vol. 10, No. 02, pp. 71–76, 2020.
[16] F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film pada Twitter,” INOVTEK Polbeng-Seri Inform., Vol. 3, No. 1, pp. 50–59, 2018.
[17] R. Y. Hayuningtyas and R. Sari, “Analisis Sentimen Opini Publik Bahasa Indonesia Terhadap Wisata TMII Menggunakan na{\"\i}ve Bayes dan PSO,” Techno Nusa Mandiri J. Comput. Inf. Technol., Vol. 16, No. 1, pp. 37–42, 2019.
[18] P. H. Prastyo, A. S. Sumi, A. W. Dian, and A. E. Permanasari, “Tweets Responding To The Indonesian Government’s Handling of COVID-19: Sentiment Analysis Using SVM with Normalized Poly Kernel,” J. Inf. Syst. Eng. Bus. Intell., Vol. 6, No. 2, pp. 112–122, 2020.
[19] H. Tuhuteru, “Analisis Sentimen Masyarakat Terhadap Pembatasan Sosial Berksala Besar Menggunakan Algoritma Support Vector Machine,” J. Inf. Syst. Dev., Vol. 5, No.
2, 2020.
[20] G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 di Twitter,”
INTEGER J. Inf. Technol., Vol. 2, No. 1, 2017.
[21] A. Deviyanto and M. D. R. Wahyudi, “Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), Vol. 3, No. 1, pp. 1–13, 2018.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 783-792 E- ISSN 2503-2933 792
[22] M. T. Anwar, “Automatic Complaints Categorization Using Random Forest andGradient Boosting,” Adv. Sustain. Sci. Eng. Technol., Vol. 3, No. 1, p. 210106, 2021.
[23] V. Bonta and N. K. N. Janardhan, “A Comprehensive Study On Lexicon Based Approaches For Sentiment Analysis,” Asian J. Comput. Sci. Technol., Vol. 8, No. S2, pp.
1–6, 2019.
[24] S. Bird, E. Klein, and E. Loper, Natural Language Processing With Python: Analyzing Text With The Natural Language Toolkit. “ O’Reilly Media, Inc.,” 2009.
[25] L. Oesper, D. Merico, R. Isserlin, and G. D. Bader, “Word Cloud: A Cytoscape Plugin To Create A Visual Semantic Summary of Networks,” Source Code Biol. Med., Vol. 6, No. 1, p. 7, 2011.
[26] T. Kluyver et al., “Jupyter Notebooks -- A Publishing Format For Reproducible Computational Workflows,” in Positioning and Power in Academic Publishing: Players, Agents and Agendas, 2016, pp. 87–90.
[27] M. T. Anwar, M. P. Utami, L. Ambarwati, and A. W. Arohman, “Identifying Social Media Conversation Topics Regarding Electric Vehicles in Indonesia Using Latent Dirichlet Allocation,” in 2022 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom), 2022, pp. 102–106.
[28] S. Nugrohadi and M. T. Anwar, “Pelatihan Assembler Edu Untuk Meningkatkan Keterampilan Guru Merancang Project-based Learning Sesuai Kurikulum Merdeka Belajar,” Media Penelit. Pendidik. J. Penelit. dalam Bid. Pendidik. dan Pengajaran, Vol.
16, No. 1, pp. 77–80, 2022.
[29] M. T. Anwar, L. Heriyanto, D. R. A. Permana, and G. M. Rahmah, “Optimizing LSTM Model for Low-Cost Green Car Demand Forecasting,” in 2022 1st International Conference on Information System \& Information Technology (ICISIT), 2022, pp. 90–95.
