ANALISIS SENTIMEN DAN EMOSI PADA TWEET TERHADAP ISU PERPANJANGAN MASA JABATAN PRESIDEN INDONESIA
TIGA PERIODE MENGGUNAKAN METODE LEXICON BASED Muhammad Ikhsan, Yanti Andriyani
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
muhammad.ikhsan2946@student.unri.ac.id, yanti.andriyani@lecturer.unri.ac.id ABSTRACT
Social media such as Twitter, Instagram, and Facebook are the most popular communication media used worldwide. Twitter is used to express user opinions and emotions on something, both praising or criticizing. The emotions of Twitter user tweets can be identified by sentiment and emotion analysis. Sentiment analysis is also carried out to see the opinion on a problem by the public, whether it tends to have a negative or positive opinion on the problem. Sentiment and emotion analysis in this study uses the Lexicon Based method to get sentiment and emotion values from tweets based on the available word dictionary (lexicon). Lexicon that being used is the NRC Emotion Lexicon which has been translated into Indonesian Language.
Keywords : Emotion Analysis, Lexicon Based, NRC Emotion Lexicon, Twitter Sentiment Analysis, Three Period Presidential Issues.
ABSTRAK
Media sosial seperti Twitter, Instagram, dan Facebook merupakan beberapa media komunikasi terpopuler yang digunakan seluruh dunia. Twitter sering digunakan untuk mengungkapkan opini dan emosi pengguna pada suatu hal, baik memuji maupun mencela.
Emosi tweet pengguna Twitter dapat dikenali dengan analisis sentimen dan emosi. Analisis sentimen juga dilakukan untuk melihat pendapat atau kecenderungan opini terhadap sebuah masalah oleh masyarakat, apakah cenderung beropini negatif atau positif terhadap masalah tersebut. Analisis sentimen dan emosi pada penelitian ini menggunakan metode Lexicon Based untuk mendapatkan nilai sentimen dan emosi dari tweet berdasarkan kamus kata (lexicon) yang tersedia. Kamus kata yang digunakan adalah NRC Emotion Lexicon yang sudah diterjemahkan ke dalam Bahasa Indonesia.
Kata kunci: Analisis Emosi, Analisis Sentimen, Isu Presiden Tiga Periode, Lexicon Based, NRC Emotion Lexicon, Twitter.
PENDAHULUAN
Analisis sentimen telah menjadi hal yang menjadi topik riset di area natural language processing sejak awal tahun 2000-an (Lin et al., 2016). Analisis sentimen adalah sebuah alat yang mengekstrak informasi subjektif dari teks seperti opini dan sentimen, sehingga menghasilkan pengetahuan yang dapat digunakan sistem pendukung maupun pembuat keputusan (Pozzi et al., 2017). Analisis sentimen saat ini sangat berpotensi dilakukan karena media sosial telah digunakan banyak kalangan masyarakat.
Banyaknya orang yang menggunakan media sosial dan mengemukakan opininya secara publik ini adalah data yang besar dan akan berpeluang menjadi informasi yang berguna.
Salah satu teknologi yang populer di kalangan masyarakat adalah media sosial.
Media sosial seperti Facebook, Twitter, Instagram dan Youtube sering sekali dimanfaatkan untuk sarana bertukar informasi, menyampaikan pendapat atau pandangan terhadap sesuatu dan mengekspresikan opini, pengalaman maupun hal lain yang menjadi tren pada masyarakat. Hal tersebut sering disebut dengan sentimen.
Tweet merupakan pesan singkat yang berada dalam Twitter. Tweet yang sering kali digunakan untuk mengungkapkan komentar dapat disertai dengan emosi penulis. Emosi ini dapat berisi positif dan negatif. Emosi positif dapat berisikan rasa gembira, percaya, cinta serta perasaan yang menguntungkan. Emosi negatif dapat berisikan rasa marah, sedih, jijik, atau perasaan yang merugikan. Pengenalan emosi dapat dilakukan dengan analisis sentimen. Analisis sentimen merupakan pengelompokan polaritas dari teks yang ada dalam suatu dokumen pada kasus ini merupakan tweet, dengan pendapat yang dikemukakan tersebut merupakan pendapat bersifat negatif atau positif.
Twitter digunakan banyak masyarakat untuk berdiskusi satu sama lain membahas topik yang ramai diperbincangkan. Saat ini ramai didiskusikan tentang isu kemungkinan perpanjangan masa jabatan Presiden Indonesia tiga periode, ini menimbulkan pro dan kontra. Tweet – tweet yang diunggah pengguna Twitter terhadap isu ini menjadi data yang dapat dianalisis oleh peneliti karena sentimen yang dihasilkan dapat menjadi suatu tolak ukur apakah isu tersebut banyak didukung atau ditolak oleh masyarakat.
METODE PENELITIAN
a. Teknik Pengumpulan Data
Pengumpulan data terdiri dari beberapa tahapan diantaranya studi literatur dan pengambilan data tweet menggunakan web scraping.
b. Peralatan yang Digunakan
Adapun peralatan yang digunakan dalam penelitian ini terbagi menjadi 2 kategori, yaitu hardware dan software. Peralatan hardware dapat dilihat pada Tabel 1 dan software pada Tabel 2.
Tabel 1. Hardware yang digunakan
No. Nama Alat dan Bahan Fungsi Keterangan
1 Laptop Pengolahan data ASUS Vivobook
X540B
2 Printer Mencetak laporan Canon
Tabel 2. Software yang digunakan
No Nama Alat dan Bahan Fungsi Keterangan
1 Microsoft Office Membuat laporan Versi 2016
2 Visual Studio Code Text Editor -
3 Python Bahasa Pemograman
4 Draw.io Membuat UML -
c. Langkah-langkah Penyelesaian
Penelitian berfokus pada perubahan sentimen dan emosi publik terhadap isu perpanjangan masa jabatan presiden Indonesia. Subyek penelitian adalah masyarakat Indonesia. Populasi penelitian adalah pengguna twitter di Indonesia. Sampel yang digunakan adalah tweet dalam bahasa Indonesia. Teknik pengambilan data twitter menggunakan teknik web scraping dengan memanfaatkan library Python TWINT.
Rancangan alur penelitian ditunjukkan pada Gambar 1.
Gambar 1. Rancangan alur penelitian
d. Metode Lexicon Based
Metode Lexicon Based merupakan salah satu metode dari pendekatan berbasis kamus atau Dictionary Based Approach. Teknik dari metode ini adalah membuat daftar kata yang sering digunakan untuk menunjukkan sentimen dan emosi tertentu. Kata – kata tersebut biasanya mengandung kata sifat yang digunakan sebagai indikator. Contohnya bagus, jelek, indah, buruk. Jumlah kata dalam daftar kata tersebut sangat berpengaruh pada tingkat akurasi yang akan dihasilkan.
Metode Lexicon mempunyai tahapan sebagai berikut (Widyanto, 2017) : 1. Mengumpulkan kata-kata yang dianggap mewakili kalimat opini.
2. Memproses dataset dengan text preprocessing.
3. Memecah kalimat menjadi per kata dan dibandingkan dengan tiap kata yang ada di daftar kata opini.
4. Jika kata yang ada dalam kalimat tersebut sama dengan kata yang ada di daftar kata, maka kalimat tersebut memiliki nilai sentimen.
e. NRC Emotion Lexicon
Setiap kata dapat diasosiasikan dengan emosi. NRC Emotion Lexicon adalah salah satu lexicon terlengkap untuk melakukan analisis sentimen. Lexicon ini berisi kata – kata dalam Bahasa Inggris dan terjemahan 105 bahasa lainnya termasuk Bahasa Indonesia dengan 8 emosi dasar (kemarahan, ketakutan, antisipasi, kepercayaan, keterkejutan, kesedihan, kegembiraan, dan jijik) dan 2 sentimen (positif dan negatif). Anotasi kata – kata ini dilakukan dengan manual secara urun daya atau dengan kerja sama banyak (Mohammad & Turney, 2013).
f. Twitter
Twitter merupakan salah satu jenis microblogging yang banyak digunakan untuk berkomunikasi, mengungkapkan isi hati, berbagi informasi baik berupa kata maupun gambar dan video. Twitter berisi pesan singkat dengan jumlah karakter maksimal 280 karakter yang biasa disebut dengan tweet (kicauan). Tweet bisa berisi pesan, web link, mention (@) atau hashtag (#). Mention berarti menyebutkan pengguna lain dalam tweet kita, sedangkan hashtag berarti tweet kita terhubung dengan suatu topik tertentu di Twitter.
HASIL DAN PEMBAHASAN
1. Pengumpulan Data
Tahap pengumpulan data merupakan tahapan pengambilan data tweet dari Twitter menggunakan web scraping dengan memanfaatkan Python library. Dengan keyword yang ditentukan, data tweet yang mengandung keyword tersebut dapat diunduh. Tahapan ini menghasilkan dataset berupa tweet selama bulan Januari hingga Mei 2022. Keyword yang digunakan adalah 3 periode dan tiga periode. Hasil dari tahap pengumpulan data merupakan file dengan ekstensi .csv dengan 103.881 baris dan 36 kolom, namun data pada penelitian ini hanya menggunakan data pada kolom date dan tweet.
2. Text Preprocessing
Text preprocessing merupakan tahapan pembersihan pada text dengan menghilangkan bagian-bagian yang tidak diperlukan, yang bertujuan untuk mengurangi noise dan missing value, sehingga memudahkan proses analisis. Secara umum pekerjaan preprocessing meliputi mengubah teks ke dalam bentuk karakter seragam misalnya huruf kecil, menghilangkan tanda baca (filtering), menghapus kata – kata tidak penting atau tidak bermakna (remove stop words). Pada tahapan ini, Tweet akan melalui proses case folding, filtering, tokenizing, convert slang words, remove stop words serta stemming.
Setelah proses preprocessing, Tweet akan dimasukkan pada dataset baru. Berikut adalah contoh raw data tweet pada Gambar 1.
a. Melakukan Case Folding
Case folding merupakan proses mengubah kapitalisasi kata ke bentuk lain, misalnya huruf kapital atau huruf kecil (Hidayatullah & Ma’Arif, 2017). Tahapan menyeragamkan semua huruf dalam dokumen menjadi huruf kecil dan hanya huruf a-z yang akan diubah, selain karakter huruf akan dianggap sebagai delimiter. Pada data ini peneliti mengubah data tweet menjadi huruf kecil atau lowercase dengan menggunakan method yang disediakan Python. Hasil dari proses case folding ditunjukkan pada Tabel 2.
Gambar 2. Contoh tweet
@ChusnulCh__ Ya iya dong, jokowi gitu loh. 3 periode dong
Tabel 1. Hasil Case Folding
b. Melakukan Filtering
Filtering merupakan tahapan untuk menghapus kata dan elemen yang tidak penting dalam data teks. Tahap ini diawali dengan menghilangkan karakter-karakter khusus dalam kalimat seperti tanda baca, simbol, angka numerik, serta menghilangkan kata yang tidak sesuai hasil parsing, seperti username yang diawali simbol “@”, hashtag “#”, URL, dan berbagai emoticon. Hasil proses filtering ditunjukkan pada Tabel 3.
Tabel 2. Hasil Filtering
c. Melakukan Tokenizing
Tokenizing merupakan tahap pemotongan string berdasarkan tiap kata yang menyusunnya. Pada tahap ini kata-kata dalam tweet dipecah ke dalam bentuk token sebagai representasi kata. Karakter spasi, enter, tabulasi, dan karakter lainnya dianggap sebagai pemisah kata. Tabel 4 menunjukkan hasil dari proses tokenizing.
Tabel 3. Hasil Tokenizing
No. date tweet
1 2022-05-31
seharusnya rakyat berani menolak wacana 3 periode yang melanggar konstitusi 3 oeriode adakah usaha bangsat oligarki ciba i gin memperpanjang kekuasaannya.
tumbangkaaaan !!! #waspadasiasat3periode
#waspadasiasat3periode https://t.co/ltsmty7wfo
2 2022-05-31 pantesan disini disusupi kaos 3 periode .... emang licik anda ya
… … …
103881 2022-01-01 @garenghallu benar juga ya. biar nggak ketiban, pak de lanjut 3 periode.
No. date tweet
1 2022-05-31
seharusnya rakyat berani menolak wacana periode yang melanggar konstitusi oeriode adakah usaha bangsat oligarki ciba i gin memperpanjang kekuasaannya tumbangkaaaan waspadasiasat periode waspadasiasat periode
2 2022-05-31 pantesan disini disusupi kaos periode emang licik anda ya
… … …
103881 2022-01-01 benar juga ya biar nggak ketiban pak de lanjut periode
No. date tweet
d. Melakukan Convert Slang Words
Convert slang words merupakan tahap yang bertujuan mengubah kata-kata slang menjadi kata baku. Proses ini memerlukan kamus slang word dalam format txt. Tabel 5 menunjukkan beberapa contoh kata dalam kamus slang words.
Tabel 4. Contoh Slang words
Slang words Kata Baku
aing saya
kluarga keluarga
malah bahkan
ngambek marah
sinetron sinema elektronik
Convert slang words dimulai dengan program membaca kamus slang word, lalu program membaca setiap token pada setiap tweet, jika token merupakan kata yang terdaftar pada kamus maka token tersebut akan diubah ke bentuk baku berdasarkan kamus slang word yang tersedia. Hasil dari proses convert slang words dapat dilihat pada Tabel 6.
Tabel 5. Hasil Convert Slang Words
e. Melakukan Remove Stop Words
Remove stop words merupakan proses untuk menghapus kata – kata yang sering digunakan dan tidak memiliki makna penting dalam analisis sentimen. Tahap remove stop
1 2022-05-31
['seharusnya', 'rakyat', 'berani', 'menolak', 'wacana', 'periode', 'yang', 'melanggar', 'konstitusi', 'oeriode', 'adakah', 'usaha', 'bangsat', 'oligarki', 'ciba', 'i', 'gin', 'memperpanjang', 'kekuasaannya', 'tumbangkaaaan', 'waspadasiasat', 'periode', 'waspadasiasat', 'periode']
2 2022-05-31 ['pantesan', 'disini', 'disusupi', 'kaos', 'periode', 'emang', 'licik', 'anda', 'ya']
… … …
103881 2022-01-01 ['benar', 'juga', 'ya', 'biar', 'nggak', 'ketiban', 'pak', 'de', 'lanjut', 'periode']
No. date tweet
1 2022-05-31
seharusnya rakyat berani menolak wacana periode yang melanggar konstitusi oeriode adakah usaha sialan oligarki ciba i gin memperpanjang kekuasaannya tumbangkaaaan waspadasiasat periode waspadasiasat periode
2 2022-05-31 pantesan disini disusupi kaos periode emang licik anda iya
… … …
103881 2022-01-01 benar juga iya biar tidak ketiban pak adik lanjut periode
words dimulai dengan mengambil data hasil convert slang words dan membandingkan setiap kata dalam data dengan kamus stop word yang sudah dibuat. Apabila terdapat kata sama dengan kata stop word yang ada pada kamus, maka kata pada tweet tersebut akan dihapus. Apabila tidak sama, maka akan dilanjutkan dengan kata berikutnya hingga setiap kata pada tweet sudah dibandingkan. Hasil dari proses remove stop words dapat dilihat pada Tabel 7.
Tabel 6. Hasil Remove Stop Words
f. Melakukan Stemming
Data hasil remove stopwords kemudian dilakukan stemming untuk mendapatkan kata baku dari data tweet. Stemming dilakukan dengan bantuan library python PySastrawi.
PySastrawi merupakan library yang dibuat untuk mengubah kata-kata Bahasa Indonesia menjadi kata dasarnya. Tabel 8 menunjukkan hasil dari proses stemming.
Tabel 7. Hasil Stemming
3. Tahap Analisis Sentimen
Proses analisis sentimen dilakukan dengan metode Lexicon Based, yang mana kamus kata berisi kata dan hubungannya dengan sentimen. Lexicon yang digunakan peneliti adalah NRC Emotion Lexicon terjemahan Bahasa Indonesia yang memiliki 9633 kata unik dan hubungannya dengan sentimen positif, sentimen negatif, emosi marah (anger), antisipasi (anticipation), jijik (disgust), takut (fear), senang (joy), sedih (sadness), dan terkejut (surprise).
Jika D dataset tweet, dan T adalah kalimat tweet dalam dataset tersebut maka berlaku D = [T1, T2, T3, ... Tn] dimana n adalah jumlah tweet. Jika W adalah kata dalam setiap kalimat tweet T maka berlaku T = [W1, W2 ...Wm] dimana m adalah jumlah kata dalam kalimat tweet T. Algoritma analisis sentimen dan emosi mengikuti algoritma berikut.
1. Mulai.
2. Sentimen S = [positive, negative] = [S1, S2]
No. date tweet
1 2022-05-31
rakyat berani menolak wacana melanggar konstitusi oeriode adakah usaha sialan oligarki ciba i gin memperpanjang kekuasaannya tumbangkaaaan waspadasiasat waspadasiasat
2 2022-05-31 pantesan disini disusupi kaos licik iya
… … …
103881 2022-01-01 benar iya biar ketiban adik
No. date tweet
1 2022-05-31
rakyat berani tolak wacana langgar konstitusi oeriode ada usaha sial oligarki ciba i gin panjang kuasa tumbang waspadasiasat waspadasiasat
2 2022-05-31 pantesan sini susup kaos licik iya
… … …
103881 2022-01-01 benar iya biar ketiban adik
3. Emosi E = [anger, anticipation, disgust, fear, joy, sadness, surprise, trust] = [E1, E2, E3, … Ex]. Jumlah emosi adalah x dimana x = 8.
4. Baca D dimana D = [T1, T2, T3, ... Tn] dan n = jumlah tweet.
5. Tentukan nextbaris = 1 6. Kerjakan sebanyak n:
a. Baca kalimat tweet T[nextbaris]
b. Pecah kalimat tweet T menjadi sekumpulan kata mandiri W, sehingga T = [W1, W2, … Wm] dimana m adalah jumlah kata dalam tweet T[nextbaris]
c. Cek setiap kata mandiri W tersebut terhadap sentimen dan emosi yang berlaku di kamus NRC Emotion Lexicon.
d. Catat jumlah setiap sentimen dan emosi dalam tweet tersebut sebagai score setiap sentimen dan emosi.
e. Pemberian bobot sentimen dilakukan dengan rule:
1) Jika jumlah sentimen positive lebih besar daripada sentimen negative, maka bobot positive = 1, bobot negative = 0.
2) Jika jumlah sentimen negative lebih besar daripada sentimen positive, maka bobot positive = 0, bobot negative = 1.
3) Jika jumlah sentimen posive dan sentimen negative sama, maka bobot positive = 0, bobot negative = 0.
f. Pemberian bobot emosi dilakukan dengan rule:
1) Jika jumlah emosi lebih dari 0, maka emosi tersebut diberi bobot 1.
2) Jika jumlah emosi sama dengan 0, maka emosi tersebut diberi bobot 0.
g. Tentukan nextbaris++
7. Jika nextbaris <= jumlahrecord maka kembali ke poin e.
8. Simpan setiap tweet dengan bobot sentimen dan emosi yang terdapat pada tweet tersebut ke sebuah tabel.
9. Selesai.
Setelah semua rule diterapkan pada nilai sentimen dan emosi, data lalu disimpan dalam bentuk tabel. Tabel 9 menunjukkan hasil analisis data tweet dan nilai sentimen serta emosi yang terkandung dalam tweet tersebut.
Tabel 8. Hasil analisis sentimen tweet
No. date tweet posi-
tive
nega-
tive anger antici-
pation disgust fear joy sad- ness
sur-
prise trust
1 2022-
05-31
rakyat berani tolak wacana langgar konstitusi oeriode ada …
0 1 1 1 1 1 0 1 0 0
2 2022-
05-31
pantesan sini susup kaos licik iya
0 0 0 0 0 0 0 0 0 0
… … … … … … … … … … … … …
103881 2022- 01-01
benar iya
biar 0 0 0 0 0 0 0 0 0 1
Angka 1 pada kolom jenis sentimen dan emosi menunjukkan bahwa sentimen atau emosi tersebut ada dalam tweet terkait. Selanjutnya, untuk mengetahui jumlah sentimen setiap bulan maka data tweet yang sudah berlabel untuk setiap jenis sentimen dilakukan proses penjumlahan.
KESIMPULAN
Berdasarkan hasil penelitian yang didapatkan, maka dapat diambil kesimpulan sebagai berikut:
1. Analisis sentimen menunjukkan bahwa nilai sentimen positif pada bulan Januari, Februari, Maret, April dan Mei 2022 konsisten cenderung lebih besar daripada nilai sentimen negatif.
2. Analisis emosi menunjukkan jenis emosi percaya (trust) merupakan emosi paling dominan setiap bulannya. Di bawah emosi percaya (trust) terdapat emosi takut (fear), sedih (sadness), dan antisipasi (anticipation) yang cenderung sama berdasarkan jumlah. Emosi lainnya yakni emosi senang (joy), marah (anger), dan jijik (disgust) cenderung sama berdasarkan jumlah dan selalu memiliki jumlah paling sedikit.
SARAN
Berdasarkan kesimpulan diatas, maka penulis mengemukakan beberapa saran sebagai berikut :
1. Perlu adanya kamus kata Bahasa Indonesia dengan hubungannya terhadap sentimen dan emosi lengkap agar analisis sentimen menggunakan metode Lexicon Based dapat lebih akurat dan optimal.
2. Bagi peneliti selanjutnya yang akan melakukan penelitian seperti ini, dapat menggunakan data tweet berbahasa Inggris.
3. Penelitian selanjutnya dapat membandingkan keakuratan metode Lexicon Based dengan metode analisis sentimen yang lainnya.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Ibu Yanti Andriyani, ST., M.T.I., Ph.D.
yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Hidayatullah, A.F. & Ma’Arif, M.R. 2017. Pre-processing Tasks in Indonesian Twitter Messages. Journal of Physics: Conference Series. Institute of Physics Publishing, hal.012072.
Lin, Y., Wang, X. & Zhou, A. 2016. Opinion spam detection. Opinion Analysis for Online Reviews, (May): 79–94.
Mohammad, S.M. & Turney, P.D. 2013. NRC emotion lexicon. National Research Council of Canada.
Pozzi, F.A., Fersini, E., Messina, E. & Liu, B. 2017. Challenges of Sentiment Analysis in Social Networks: An Overview. Sentiment Analysis in Social Networks, Elsevier Inc.
ketiban adik
http://dx.doi.org/10.1016/B978-0-12-804412-4.00001-2.
Widyanto, L. 2017. Deteksi Subjektifitas Teks Berbahasa Indonesia Menggunakan Metode Lexicon – Rule Based. Universitas Muhammadiyah Malang.
