BAB I
PENDAHULUAN 1.1 Latar Belakang
Pada zaman modern ini, teknologi merupakan hal yang tidak asing bagi suatu individu. Berbagai macam teknologi telah tercipta, salah satunya adalah teknologi informasi dimana pada teknologi informasi hadir sebuah istilah yang dinamakan dengan sosial media. Sosial media mempunyai arti sebagai media pertukaran informasi secara online dengan berbagai macam platform yang memiliki tujuan dan manfaat yang berbeda. Pada sosial media, pengguna dapat bertukar ataupun mendapatkan informasi secara bebas. Perkembangan sosial media yang pesat dapat mempengaruhi sikap dan pola perilaku masyarakat [1].
Dalam era globalisasi ini, media sosial telah menjadi salah satu platform utama bagi masyarakat untuk menyampaikan pendapat dan berpartisipasi dalam diskusi publik. Instagram, sebagai salah satu media sosial yang sangat populer di Indonesia, menjadi platform yang sangat penting bagi individu dan kelompok untuk mengekspresikan pandangan mereka terhadap berbagai isu sosial dan politik seperti contoh dalam pemboikotan produk. Boikot adalah tindakan untuk tidak menggunakan, membeli, atau berurusan dengan seseorang, organisasi atau suatu negara sebagai wujud protes atau sebagai suatu bentuk pemaksaan [2].
Menurut Kamus Besar Bahasa Indonesia (KBBI) boikot adalah bersengkongkol menolak untuk bekerjasama (berurusan dagang, berbicara, ikut serta, dan sebgainya), sedangkan pemboikotan adalah proses atau pembuatan memboikot terhadap sesuatu hal. Pada dasarnya sebuah pemboikotan akan dilakukan sebagai bentuk proses atau wujud dari ketidakpuasan dari satu puhak kepada pihak lain yang dianggap melakukan tindakan yang tidak seharusnya, dimana hal ini dapat ditunjukkan dalam tindakan penolakan (Suci Rahmawati, 2020) [3].
Boikot produk Amerika ini dilakukan dikarenakan adanya indikasi, bahwa sebagian pendapatan nasional Amerika digunakan untuk membantu Israel baik secara langsung maupun tidak langsung. Secara langsung berupa bantuan dana yang digunakan untuk membantu pembangunan infrastruktur dan pengembangan
senjata guna mempertegas eksistensi Israel di tanah Palestina. Bantuan yang tidak diberikan langsung adalah dukungan amerika terhadap kebijakan-kebijakan Israel terhadap Palestina. Oleh karenanya, boikot produk Amerika sebagai dukungan moral atas perjuangan rakyat Palestina sekaligus protes atas tindakan Amerika yang mendukung Israel menyerang Palestina. Harapan dari boikot produk Amerika ini ini adalah menurunnya permintaan atas barang dan jasa produk Amerika di pasar lokal maupun internasional [2].
Produk dengan merek-merek terkenal seperti McDonalds, KFC, Starbucks, Burger King, dan Pizza Hut, produk-produk tersebut memiliki ciri khas tertentu yang membuatnya menjadi target utama dalam aksi boikot. Pemilihan produk tersebut didasarkan pada peran signifikan merek-merek tersebut dalam globalisasi ekonomi, di mana dominasi merek tersebut sangat signifikan terhadap perekonomian Israel, dana yang digunakan untuk membantu pembangunan infrastruktur dan pengembangan senjata yang mengancam Negara Palesina.
Indonesia merupakan negara yang memiliki hubungan dekat dengan Palestina. Banyak masyarakat Indonesia yang bersimpati dengan perjuangan rakyat Palestina untuk mendapatkan hak-haknya. Indonesia merupakan negera dengan penduduk muslim terbanyak di dunia, menyaksikan dinamika sosial politik yang kerap terjadi konflik Israel-Palestina kerap memicu solidaritas, simpati, dan kritik keras terhadap kebijakan Israel. Keberpihakan ini tak hanya dituangkan dalam aksi politik formal, tetapi juga turut menjalar ke ranah sosial- ekonomi & politik khususnya media sosial seperti Instagram.
Platform media sosial seperti Instagram telah menjadi platform yang menjadi faktor bagi warga Indonesia untuk mengekspresikan opini dan keyakinan mereka. Kemampuan penyebaran informasi yang cepat dan luas memudahkan penyebaran seruan boikot produk dan membangun kesadaran publik terhadap isu Israel-Palestina. Text mining adalah langkah ekstraksi pola yang melibatkan informasi dan pengetahuan dari sejumlah data informasi yang tidak terstruktur.
Fokus utama dari proses ini adalah mendapatkan pola-pola data, tren, dan ekstraksi pengetahuan yang memiliki potensi dari data teks tersebut. Salah satu tujuan utama penerapan teks mining adalah untuk analisis sentimen [4].
Analisis sentimen atau bisa juga disebut opinion mining merupakan
sebuah proses pemahaman serta mengolah data yang berbentuk tekstual dengan otomatis untuk mendapatkan informası berupa sentimen yang ada di satu kalimat pendapat [5]. Menganalisis sentimen yang terkandung dalam konten komentar mengenai produk boikot tersebut dapat memberikan gambaran tentang sikap masyarakat terhadap produk tersebut. Menganalisis interaksi antar pengguna, seperti komentar dapat memberikan gambaran tentang bagaimana opini publik terhadap produk tersebut berkembang. Analisis sentimen merupakan bagian dari text mining yang memelajari komputasi opini orang-orang, emosi, dan sentimen dan bertujuan untuk mengklasifikasikan sentimen pada suatu kalimat yang berupa opini [6]. Analisis sentimen sangat diperlukan dalam menyaring komentar-komentar di media sosial. Analisis sentimen pada komentar dilakukan untuk mengetahui komentar yang bersifat negatif dan komentar yang bersifat positif. [7]. Pada proses analisis sentimen diperlukan sebuah metode, metode yang digunakan adalah Bidirectional Encoder Representations from Transformers (BERT), penelitian ini menggunakan Algoritma BERT dalam mengurai kompleksitas opini publik terkait pemboikotan produk.
Bidirectional Encoder Representation from Transformer (BERT) adalah representasi encoder dari model Transformer, sebuah arsitektur NLP yang menggunakan mekanisme perhatian untuk menggantikan jaringan berulang dan mampu menangkap hubungan antara kata- kata yang jauh secara kontekstual.
BERT menghasilkan representasi untuk setiap kata dalam kalimat sebagai output dan [8]. BERT dapat memproses sebuah kata pada kalimat berdasarkan ada atau tidaknya kaitan antara kata tersebut dengan kalimat secara keseluruhan. Dengan menerapkan algoritma BERT untuk menganalisis opini publik terhadap produk yang diboikot memungkinkan dapat memberikan pemahaman tentang konteks dan nuansa opini yang terkandung dalam teks tersebut. Melalui hubungan antara kata- kata dalam suatu kalimat, BERT dapat mengidentifikasi dan memahami bagaimana kata-kata tersebut berkontribusi terhadap sentimen keseluruhan terhadap produk yang diboikot. Oleh karena itu, penerapan algoritma BERT dapat memberikan wawasan yang lebih akurat dan komprehensif mengenai persepsi dan opini publik terhadap produk yang diboikot.
Pemilihan algoritma BERT dalam analisis opini publik terhadap produk yang mengalami boikot didasarkan pada penelitian empiris yang telah mengkonfirmasi keunggulan algoritma ini dalam pemrosesan bahasa alami. Studi- studi seperti yang dilakukan oleh Devlin et al. (2018) menunjukkan bahwa BERT, dengan pendekatan pre-training dan fine-tuning, mampu mencapai kinerja yang sangat baik dalam berbagai tugas pemrosesan bahasa alami, termasuk analisis sentimen dan pemahaman teks. Hal ini dikarenakan BERT dapat memperhitungkan konteks kata dalam sebuah kalimat dengan menggunakan metode penambatan dua arah (bidirectional), yang memungkinkan pemahaman yang lebih holistik dan kontekstual terhadap teks. Oleh karena itu, berdasarkan penelitian empiris yang telah dilakukan, penggunaan algoritma BERT dalam menganalisis opini masyarakat terhadap produk yang diboikot dapat membantu memahami dan menguraikan kompleksitas bahasa alami serta memberikan informasi yang lebih mendalam dan akurat dalam memahami persepsi dan sentimen masyarakat terhadap produk yang diboikot.
Memboikot suatu produk dapat berdampak signifikan terhadap citra merek dan penjualan. Dalam hal memahami bagaimana opini publik terbentuk dan berkembang akibat adanya pemboikotan produk ini, metode analisis tradisional seperti survei atau riset pasar mungkin tidak cukup efektif dalam menangkap kompleksitas opini publik yang terungkap secara online. Melalui analisis menggunakan algoritma BERT, penulis dapat mengidentifikasi pola dan sentimen opini publik yang mungkin tidak terdeteksi melalui metode konvensional.
Pada penelitian oleh Ade Tiara Susilawati, Nur Anjeni Lestari, Puput Alpria Nina yang berjudul Analisis Sentimen Publik Pada Twitter Terhadap Boikot Produk Israel Menggunakan Metode Naïve Bayes (Nur at al., 2024) menunjukkan bahwa mayoritas masyarakat cenderung mendukung boikot produk Israel, dengan tingkat akurasi klasifikasi Naive Bayes mencapai 95%, Precission 96%, Recall 95%, dan F1 Score 95%. Proses preprocessing data, termasuk transformasi, tokenisasi, dan filtering, berhasil menghilangkan noise dan mempersiapkan data untuk analisis sentimen yang lebih mendalam.
Secara umum, penelitian ini bertujuan untuk memperjelas pemahaman opini masyarakat terhadap boikot produk Israel melalui analisis sentimen pada
platform Instagram menggunakan metode Algoritma BERT. Data komentar digunakan sebagai sumber informasi pada penelitian ini, sehingga masyarakat dapat dengan luas menyikapi nuansa, tren, dan variasi sentimen publik terhadap sebuah pemboikotan produk. Berdasarkan latar belakang tesebut, penulis mempunyai ide penelitian yaitu “PENERAPAN ALGORITMA CERDAS TRANSFORMER - BASED MODEL (BERT) DALAM MENGANALISIS OPINI PUBLIK TERHADAP PRODUK YANG MENGALAMI BOIKOT”.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan diatas, maka dapat rumusan masalah dalam penelitian ini adalah sebagai berikut :
1. Bagaimana proses pengambilan data menggunakan Scraping data pada komentar akun di Instagram?
2. Bagaimana mengetahui sebuah produk mengalami pemboikotan dengan analisis sentimen menggunakan BERT?
3. Berapakah presentasi keberhasilan BERT dalam melakukan klasifikasi komentar?
1.3 Batasan Masalah
Dalam penelitian ini perlu adanya pembatasan masalah agar pengkajiannya lebih terarah dan tidak keluar batas. Penelitian ini hanya membatasi pada masalah :
1. Data penelitian ini menggunakan data komentar dari platform media sosial Instagram.
2. Komentar yang diambil berasal dari akun luar negeri.
3. Data yang diambil dari komentar Instagram terupdate dari bulan Januari 2024.
4. Data komentar yang diambil berjumlah 1.500 data dengan jumlah masing- masing 350 data komentar di toko Official McDonalds, 350 data komentar di toko Official KFC, 350 data komentar di toko Official Starbucks, 350 data komentar di toko Official Burger King, 350 data komentar di toko Official Pizza Hut.
5. Algoritma yang digunakan untuk menganalisis opini publik adalah Metode Bidirectional Encoder Representations from Transformers (BERT)
6. Menggunakan data komentar berbahasa Inggris 1.4. Tujuan Penelitian
Tujuan penelitian ini adalah untuk menjawab seluruh permasalahan yang telah dirumuskan diatas, yang dirumuskan sebagai berikut:
1. Menganalisis proses pengambilan data menggunakan Scraping data pada komentar akun di Instagram.
2. Mengembangkan model analisis sentimen menggunakan BERT untuk mengetahui apakah sebuah produk mengalami pemboikotan.
3. Menentukan presentasi keberhasilan BERT dalam melakukan klasifikasi komentar.
1.5 Manfaat Penelitian
Adapun manfaat yang ingin diperoleh yaitu :
1. Bagi penulis, penelitian ini merupakan upaya eksplorasi terhadap teori- teori yang telah dipelajari sebelumnya. Selain itu, penelitian ini juga berkontribusi dalam menambah wawasan & pengetahuan terkait analisis sentimen dalam bidang data mining.
2. Bagi Universitas, sebagai tolak ukur pengetahuan mahasiswa dalam memperoleh ilmu yang telah dipelajarinya, dan sebagai acuan untuk penelitian selanjutnya.
3. Bagi Masyarakat, masyarakat dapat menjadi lebih sadar akan isu-isu sosial, lingkungan, atau politik yang terkait dengan pemboikotan produk.
4. Untuk pembaca, menyajikan informasi tentang respons terhadap produk boikot dan memberikan informasi sebagai sumber referensi dalam penelitian analisis sentimen berikutnya.
1.6 Sistematika Penulisan Proposal Skripsi
Sistematika dari penyusunan skripsi ini terdiri dari beberapa bagian yang paling utama untuk diketahui yaitu sebagai berikut :
BAB 1 PENDAHULUAN
Bab ini berisi tentang tahapan awal penelitian yaitu dimulai dari latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.
BAB 2 TINJAUAN PUSTAKA
Pada bab ini berisi teori-teori singkat terkait penelitian, pemahaman dan definisi terkait dengan penelitian yang diteliti.
BAB 3 METODOLIGI PENELITIAN
Pada bab ini berisi tentang metode dalam proses pengumpulan data, mengolah serta menganalisis data.
BAB 4 HASIL DAN PEMBAHASAN
Pada bab ini berisi tentang hasil analisis opini publik terhadap pemboikotan produk menggunakan Algoritma Bidirectional Encoder Representations from Transformers (BERT).
BAB 5 KESIMPULAN DAN SARAN
Pada bab ini berisi tentang kesimpulan yang diperoleh dari hasil penelitian dan analisis data yang telah dilakukan serta saran-saran yang dapat diterapkan dari hasil pengolahan data yang dapat berguna kedepannya.
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Perlu adanya subjek penelitian terdahulu yang relevan sebagai paparan untuk mendukung kajian yang diteliti. Berikut beberapa penelitian yang mempunyai relevansi dengan penelitian ini, yaitu penelitian yang berkaitan dengan produk boikot dan Algoritma BERT, diantaranya adalah:, terdapat pada Tabel 2.1 berikut ::
Tabel 2.1 Penelirtian Terkait
No : 1
Authors : Adine Nayla, Casi Setianingsih & Burhanuddin Dirgantoro
Judul Penelitian : Deteksi Hate Speech Pada Twitter Menggunakan Algoritma BERT
Tahun Penerbitan : 2023
Ringkasan Penelitian : Penelitian ini dapat disimpulkan bahwa, keberadaan hate speech atau ujaran kebencian di platform sosial media Twitter. Pada Twitter, kebebasan pengguna untuk mendapatkan, bertukar informasi, dan mengungkapkan opini menjadi faktor utama munculnya hate speech.
Korban ujaran kebencian di Twitter cenderung mengalami gangguan kesehatan mental karena serangan verbal atau emosional yang mereka alami. Penanganan dan deteksi hate speech di Twitter masih minim. Dalam penelitian ini, dilakukan simulasi menggunakan website untuk mendeteksi hate speech. Pengujian dilakukan dengan memasukkan kalimat ke dalam website hate speech, yang kemudian melakukan
preprocessing dan analisis menggunakan Algoritma BERT untuk mengklasifikasikan apakah kalimat tersebut termasuk hate speech atau tidak. Dengan demikian, penelitian ini menyimpulkan bahwa pengguna dapat lebih mudah mendeteksi hate speech pada Twitter menggunakan website hate speech yang telah diuji menggunakan Algoritma BERT, dengan tingkat akurasi dan performa yang memadai
No : 2
Authors : Ade Tiara Susilawati, Nur Anjeni Lestari &
Puput Alpria Nina
Judul Penelitian : Analisis Sentimen Publik Pada Twitter Terhadap Boikot Produk Israel Menggunakan Metode Naïve Bayes
Tahun Penerbitan : 2024
Ringkasan Penelitian : Dalam penelitian ini, dilakukan analisis sentimen terhadap konflik Israel-Palestina, khususnya terkait isu boikot produk Israel, melalui platform media sosial Twitter. Penelitian menggunakan metode Orange dan klasifikasi Naive Bayes dengan lebih dari 300 dataset tweet yang diambil melalui proses scraping. Fokus utama penelitian adalah memahami nuansa, tren, dan variasi sentimen masyarakat Indonesia terkait isu boikot tersebut. Dalam penelitian tersebut dapat disimpulkan bahwa dalam konteks media sosial Twitter, masyarakat Indonesia secara signifikan menunjukkan dukungan terhadap boikot produk Israel dalam konteks konflik Israel-Palestina.
Analisis sentimen melalui platform ini memberikan gambaran yang kuat terkait sikap dan pandangan masyarakat terhadap isu tersebut.
No : 3
Authors : Haiqal Ramanizar Al Fajri, Roy Binsar Sinaga, Hasan Mubarok, Albet Dwi Pangestu & Desta Sandya Prasvita
Judul Penelitian : Analisis Sentimen Pengguna Twitter terhadap Konflik antara Palestina dan Israel Menggunakan Metode Naïve Bayesian Classification dan Support
Vector Machine Tahun Penerbitan : 2021
Ringkasan Penelitian : Berdasarkan hasil penelitian mengenai analisis sentimen pengguna Twitter terhadap konflik antara Palestina dan Israel menggunakan metode Naive Bayes Classification dan Support Vector Machine dapat disimpulkan bahwa pengujian menggunakan metode Support Vector Machine memiliki tingkat akurasi lebih tinggi dengan nilai sebesar 80% . Tak hanya itu didapatkan bahwa metode Support Vector Machine memiliki tingkat precision yang lebih tinggi yaitu 79%.
Terakhir, untuk recall juga dihasilkan nilai tertinggi pada metode Support Vector Machine sebesar 72%. Nilai akurasi, precision, dan recall dari kedua metode tersebut menunjukkan bahwa metode Support Vector Machine dapat mengklasifikasikan dataset lebih baik dari Naive Bayes Classification. Untuk kedepannya, diharapkan penelitian ini dapat dikembangkan lebih baik dengan membandingkan
menggunakan metode lain dan ekstraksi fitur lain, dapat menggunakan lebih banyak dataset dan kamus kata yang lebih lengkap.
Tabel 2.1 Penelitian terkait Beri ringkasan dari tabel 2.1
2.2 Landasan Teori 2.2.1 Data Mining
Data mining adalah proses mengekstrak informasi yang berguna dari data dalam jumlah besar. Data mining adalah proses pengumpulan dan pengolahan data yang bertujuan untuk mengekstrak informasi penting pada data. Proses pengumpulan dan ekstraksi informasi tersebut dapat dilakukan menggunakan perangkat lunak dengan bantuan perhitungan statistika, matematika, ataupun teknologi Artificial Intelligence (AI). Data mining sering disebut juga Knowledge Discovery in Database (KDD) [9].
Data mining adalah proses pengumpulan dan pengolahan data yang bertujuan untuk mengekstrak informasi penting pada data. Data mining memiliki tiga tujuan yaitu sebagai sarana untuk menjelaskan atau explanatory, untuk konfirmasi atau confirmatory, dan untuk eksplorasi atau exploratory. Ia juga memiliki beberapa metode seperti Association, Classification, Regression, dan Clustering [9].
2.2.2 Text Mining
Text mining merupakan ilmu yanng bertujuan untuk memproses teks agar menjadi informasi, menambang suatu data yang berupa teks yang bersumber dari data tersebut (Luqyana,dkk. 2018). Data yang biasanya diperoleh dari dokumen dan digunakan untuk mencari kata-kata yang dapat mewakili isi dari dokumen tersebut. (Farach & Nugraha, 2020) [10]. Dengan menggunakan text mining, informasi yang berharga dapat ditemukan, dianalisis, dan dimanfaatkan untuk pengambilan keputusan.
Proses text mining sendiri mirip dengan proses data mining yang telah diketahui, namun fokusnya adalah pada analisis teks. Text mining sebagai ilmu pengetahuan cabang dari data mining, dipercaya memiliki nilai komersial yang jau lebih tinggi dibandingkan data mining itu sendiri, karena 80% pada setiap perusahaan terdapat dokumen informasi dalam bentuk teks [11].
Text mining sering digunakan untuk menganalisis sentimen atau opini
yang terkandung dalam teks, misalnya dalam ulasan produk atau layanan. Dengan menganalisis teks dari berbagai sumber, perusahaan dapat memahami perasaan pelanggan terhadap produk atau merek mereka. Text mining bertujuan untuk menganalisis pendapat, sentiment, evaluasi, sikap, penilaian, emosi seseorang seihngga dapat diketahui apakah berkenaan dengan suatu topik, layanan, organisasi, individidu, atau kegiatan tertentu (Liu, 2012) [7].
2.2.3 Analisis Sentimen
Analisis sentimen merupakan suatu metode dalam pengolahan kata yang bertujuan untuk menganalisis opini atau penilaian publik mengenai suatu peristiwa, aktivitas, kegiatan, organisasi, dan hal lainnya yang diketahui masyarakat secara umum [12]. Hal ini sering dilakukan dalam konteks ulasan produk, layanan, atau bahkan dalam media sosial.
Analisis sentimen merupakan salah satu cabang ilmu dari text mining, natural language program, dan artificial intelegence. Proses yang dilakukan oleh analisis sentimen untuk memahami, mengekstrak, dan mengolah data teks secara otomatis sehingga menjadi suatu informasi yang bermanfaat (Akbari, et al., 2012).
Selain itu analisis sentimen merupakan bidang ilmu yang menganalisis pendapat, sikap, evaluasi, dan penilaian terhadap suatu peristiwa, topik, organisasi, maupun perseorangan (Liu, 2012) [7].
Analisis sentimen berfokus dalam mengklasifikasi atau mengelompokan suatu opini publik pada sebuah kalimat atau dokumen sehingga diketahui opini tersebut apakah masuk kedalam opini yang bersifat negatif, positif, atau netral [12]. Tujuannya adalah untuk memberikan pemahaman yang lebih dalam tentang persepsi atau pandangan masyarakat terhadap suatu topik tertentu.
2.2.4 Media Sosial Instagram
Instagram adalah platform media sosial yang populer, khususnya untuk berbagi foto dan video. Sama seperti media sosial lainnya, Instagram tentu memiliki fitur komentar, Fitur ini memungkinkan pengguna untuk memberikan tanggapan atau opini terhadap konten yang dibagikan oleh pengguna lain. Dengan menganalisis komentar-komentar yang diberikan oleh pengguna, baik pada postingan individu maupun dalam diskusi yang lebih luas, kita dapat memahami sentimen atau perasaan yang terkandung dalam teks. Misalnya, komentar yang
positif menunjukkan respon yang baik terhadap suatu topik, produk, atau layanan, sementara komentar yang negatif menunjukkan ketidakpuasan atau kekecewaan.
Dengan proses analisis sentimen di Instagram bertujuan untuk memahami pandangan, persepsi, atau reaksi masyarakat terhadap suatu topik, produk, layanan, atau suatu peristiwa. Hal ini dapat membantu dalam mengukur tingkat kepuasan pelanggan, mengidentifikasi isu-isu yang mungkin mempengaruhi reputasi merek, mengetahui popularitas produk, serta membimbing pengambilan keputusan strategis dalam pemasaran, layanan pelanggan, atau pengembangan produk.
2.2.5 Boikot Produk
Boikot berasal dari bahasa Inggris “boycott” yang terinspirasi dari seorang agen tanah bernama Captain Charles Cunningham Boycott (Majid et al., 2019).
Secara umum, boikot merupakan tindakan tidak memakai, membeli, atau bekerjasama dengan seseorang, organisasi, atau suatu negara sebagai bentuk protes atau pemaksaan (Majid et al., 2019; Sudarsono, 2008). Salah satu alat melawan penindasan dan kekuasaan adalah memboikot bisnis produk atau jasa (Safitri, 2015) [13]. Boikot produk merupakan bentuk protes yang dilakukan oleh konsumen atau masyarakat terhadap suatu produk atau perusahaan. Boikot adalah tindakan untuk tidak menggunakan, membeli, atau berurusan dengan seseorang, organisasi atau suatu negara sebagai wujud protes atau sebagai suatu bentuk pemaksaan [2].
Pada dasarnya sebuah pemboikotan akan dilakukan sebagai bentuk protes atau wujud dari ketidakpuasan dari satu pihak kepada pihak lain yang dianggap melakukan tindakan yang tidak seharusya, dimana hal ini dapat ditunjukkan dalam tindakan penolakan [14]. Boikot dapat muncul sebagai respons terhadap tindakan atau kebijakan yang dianggap merugikan, tidak etis, atau tidak sesuai dengan nilai-nilai yang diyakini oleh masyarakat.
Boikot dilakukan dengan harapan dapat memengaruhi kebijkan negara sasaran dengan cara menekan perekonomian mereka melalui penurunan ekspor dan investasi salah satu contoh terbaru adalah boikot produk Israel yang dilakukan secara global sebagai bentuk dukungan kepada Palestina [14].
Gerakan boikot umumnya menargetkan negara-negara yang melakukan
penyimpangan. Israel merupakan negara yang melakukan penyimpangan berupa aksi agresi militer kepada Palestina. Hal tersebut menimbulkan upaya dukungan kepada Palestina dengan cara aksi boikot produk Israel (Safitri, 2015) [13].
Pemboikotan berasal dari gerakan social dan tokoh masyarakat yang ingin mengekspresikan ketidaksetujuan mereka terhadap tindakan Israel dalam konflik tersebut.
Boikot produk Amerika ini dilakukan karena adanya indikasi, bahwa sebagian pendapatan nasional Amerika digunakan untuk membantu Israel baik secara langsung maupun tidak langsung. Secara langsung berupa bantuan dana yang digunakan untuk membantu pembangunan insfrastruktur dan pengembangan senjata guna mempertegas eksistensi Israel ditanah Palestina. Bantuan yang tidak diberikan langsung adalah dukungan Amerika terhadap kebijakan-kebijakan Israel terhadap Palestina. Oleh karena itu, boikot produk Amerika sebagai dukungan moral atas perjuangan rakyat Palestina sekaligus protes atas tindakan Amerika yang mendukung Israel menyerang Palestina (Heri Sudarsono, 2008) [3].
2.2.6 Pre-processing
DAFTAR PUSTAKA
[1] A. Nayla, C. Setianingsih, and B. Dirgantoro, “Deteksi Hate Speech Pada Twitter Menggunakan Algoritma BERT,” e-Proceeding Eng., vol. 10, no.
1, pp. 256–262, 2023.
[2] Oktavia, M. R. Noval, R. Hanipah, and M. F. Handayani, “Pengaruh Dampak Boikot Produk Amerika Terhadap Perokonomian Indonesia,” J.
Mutiara Ilmu Akunt., vol. 2, no. 1, pp. 318–323, 2024, [Online]. Available:
https://doi.org/10.55606/jumia.v2i1.2377
[3] N. Elia, “Strategi Public Relations : Membangun Citra Perusahaan Terhadap Produk Boikot ARTIKEL ILMIAH Strategi Public Relations : Membangun Citra Perusahaan Terhadap Produk Boikot Pro-Israel Dosen Pengampu Alifa Nur Fitri , M . I . Kom Disusun Oleh,” no. December, pp.
0–17, 2023.
[4] A. Tiara Susilawati, A. H. Tiara Susilawati Universitas Muhammadiyah Kalimantan Timur Nur Anjeni Lestari Universitas Muhammadiyah Kalimantan Timur Puput Alpria Nina Universitas Muhammadiyah Kalimantan Timur Jl Ir Juanda No, K. Samarinda Ulu, K. Samarinda, and K. Timur, “Analisis Sentimen Publik Pada Twitter Terhadap Boikot Produk Israel Menggunakan Metode Naïve Bayes,” J. Ilm. Mhs., vol. 2, no. 1, pp.
26–35, 2024, [Online]. Available:
https://doi.org/10.59603/niantanasikka.v2i1.240
[5] A. N. Rohim and A. R. Pratama, “Analisis Sentimen Publik di Media Sosial Instagram atas Kinerja Presiden Joko Widodo,” Jurnal AUTOMATA, vol. 3, no. 1. pp. 1–5, 2022.
[6] E. Y. Hidayat, R. W. Hardiansyah, and A. Affandy, “Analisis Sentimen Twitter untuk Menilai Opini Terhadap Perusahaan Publik Menggunakan Algoritma Deep Neural Network,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no.
2, pp. 108–118, 2021, doi: 10.25077/teknosi.v7i2.2021.108-118.
[7] W. Athira Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol.
2, no. 11, pp. 4704–4713, 2018, [Online]. Available: http://j-ptiik.ub.ac.id [8] Vidya Chandradev, I Made Agus Dwi Suarjaya, and I Putu Agung
Bayupati, “Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT,” J. Buana Inform., vol. 14, no. 02, pp. 107–116, 2023, doi: 10.24002/jbi.v14i02.7244.
[9] “No Title.” [Online]. Available: https://www.dicoding.com/blog/apa-itu- data-mining/#:~:text=Data mining adalah proses pengumpulan dan pengolahan data,perhitungan statistika%2C matematika%2C ataupun teknologi Artificial Intelligence %28AI%29.
[10] K. M. Rahmi, “Jurnal 5 TEXT MINING ANALYSIS DAN SENTIMENT ANALYSIS DENGAN MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER(Studi Kasus: Data Tanggapan Mengenai Tokopedia Melalui Media Sosial Twitter),” pp. 1–84, 2021.
[11] A. Firdaus, W. I. Firdaus, P. Studi, T. Informatika, M. Digital, and P. N.
Sriwijaya, “Text Mining,” vol. 13, no. 1, pp. 66–78, 2021.
[12] H. Ramanizar, A. Fajri, R. Binsar Sinaga, H. Mubarok, A. D. Pangestu, and D. S. Prasvita, “Analisis Sentimen Pengguna Twitter terhadap Konflik antara Palestina dan Israel Menggunakan Metode Naïve Bayesian Classification dan Support Vector Machine,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, no. September, pp. 166–175, 2021.
[13] A. Munandar and R. A. Firdaus, “Analisis Sentimen Netizen Indonesia Mengenai Boikot Produk,” vol. 3, no. 1, pp. 23–40, 2023.
[14] H. P. Utami, I. I. Prawisti, and S. M. Par, “Dampak Boikot Produk Makanan Amerika Terhadap Perkembangan Produk Makanan Lokal Indonesia,” no. 229.
[15] Lara, “ANALISIS SENTIMEN PADA MEDIA SOSIAL TWITTER TERHADAP TOKOH GUS DUR MENGGUNAKAN METODE NAÏVE BAYES DAN SUPPORT VECTOR MACHINE (SVM),” ץראה, no.
8.5.2017, pp. 2003–2005, 2022, [Online]. Available: www.aging-us.com [16] M. M. Rizki, “Analisis Sentimen Terhadap Produk Otomotif Dari Twitter
Menggunakan Kombinasi Algoritma K-Nearest Neighbor dan Pendekatan Lexicon (Studi Kasus: Mobil Toyota),” Repository.Uinjkt.Ac.Id, pp. 1–127,
2019, [Online]. Available:
http://repository.uinjkt.ac.id/dspace/handle/123456789/48643
