Klasifikasi Sentimen Pada Buzzer Politik Jelang Pemilu 2024 menggunakan Metode Lexicon-based

YOULLIA INDRAWATY NURHASANAH; MUHAMMAD THORIQ NAUFAL

doi:10.26760/mindjournal.v9i2.166-178

Klasifikasi Sentimen Pada Buzzer Politik Jelang Pemilu 2024 menggunakan Metode Lexicon-based

YOULLIA INDRAWATY NURHASANAH, MUHAMMAD THORIQ NAUFAL

Sari

ABSTRAK

Pemilu merupakan sebuah momen dimana masyarakat memiliki peran untuk berpartisipasi dalam pemerintahan. Media sosial, khususnya media sosial X menjadi salah satu yang diminati untuk menyebarkan informasi. Informasi yang tersebar dalam jumlah banyak sangat sulit untuk disaring dengan baik oleh masyarakat. Mempengaruhi opini publik dengan menggunakan kata-kata kasar, memanipulasi informasi, dan membuat konten negatif merupakan peran buzzer politik di dalam media sosial. Sehingga dibutuhkan alat untuk filterisasi sentimen publik yang beredar. Alat yang digunakan adalah analisis sentimen. Penelitian bertujuan untuk melakukan klasifikasi sentimen buzzer politik dalam media sosial X menggunakan model lexicon-based yang ditingkatkan kamusnya sesuai dengan studi kasus yang dilakukan (corpus-based). Dengan menggunakan 1031 data, didapatkan sentimen positif (bukan buzzer) sebesar 63.69%, sentimen negatif (buzzer politik) sebesar 31.94%, dan sentimen netral sebesar 4.37%. Sehingga disimpulkan bahwa model lexicon-based mampu menjelaskan sentimen X.

Kata Kunci: Analisis sentimen, Lexicon-based, Buzzer, X, Pemilu

ABSTRACT

Election is a moment where people have a role to participate in the government. Social media, especially X social media, is one of the most popular ways to disseminate information. Information that is spread in large quantities is very difficult for the public to filter properly. Influencing public opinion by using harsh words, manipulating information, and creating negative content is the role of political buzzers in social media. So a tool is needed to filter public sentiment that is circulating. The tool used is sentiment analysis. The research aims to classify the sentiment of political buzzers in social media X using a lexicon-based model that is enhanced by the dictionary according to the case study conducted (corpus-based). By using 1031 data, positive sentiment (not buzzer) is 63.69%, negative sentiment (political buzzer) is 31.94%, and neutral sentiment is 4.37%. So it is concluded that the lexicon-based model is able to explain X sentiment.

Keywords: Sentimen analyzed, Lexicon-based, Buzzer, X , Election

Teks Lengkap:

PDF

Referensi

Ananda, D., & Suryono, R. R. (2024). Analisis Sentimen Publik Terhadap Pengungsi Rohingya di Indonesia dengan Metode Support Vector Machine dan Naive Bayes. JURNAL MEDIA INFORMATIKA BUDIDARMA, 748-757.

Azhar, Y. (2017). Metode Lexicon-learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia. Jurnal Nasional Pendidikan Teknik Informatika, 238.

Budiharto, W., & J, M. (2018). Prediction and analysis of Indonesia Presidential election from Twitter using sentiment analysis. Journal of Big Data, 4.

Camil, R., Attamimi, N. H., & Esti, K. (2017). DI BALIK FENOMENA BUZZER: Memahami Lanskap Industri dan Pengaruh Buzzer di Indonesia. Centre for Innovation Policy and Governance.

Darwich, M., Noah, S. M., Omar, N., & Osman, N. A. (2019). Corpus-Based Techniques for Sentiment Lexicon Generation: A Review. Journal of Digital Information Management, 296.

Fahlevvi, M. R. (2022). Analisis Sentimen Terhadap Ulasan Aplikasi Pejabat Pengelola Informasi dan Dokumentasi Kementerian Dalam Negeri Republik Indonesia di Google Playstore Menggunakan Metode Support Vector Machine. Jurnal Teknologi dan Komunikasi Pemerintahan, 1-13.

Farhan, N. M., & Setiaji, B. (2023). Komparasi Metode Naive Bayes dan SVM pada Sentimen TwitterMengenai PersoalanPerppuCipta Kerja. Indonesian Journal of Computer Science, 2719.

Junianto, H., Arsi, P., Kusuma, B. A., & Saputra, D. I. (2024). Evaluasi Aplikasi Raileo Melalui Analisis Sentimen Ulasan Playstore Dengan Metode Naive Bayes. Science and Information Technology Journal, 27-40.

Koto, F., & Rahmaningtyas, R. Y. (2017). InSet Lexicon: Evaluation of a Word List for. International Conference on Asian Language Processing, 391-393.

Kurniawati, R. (2023). Buzzer Sebagai Alat Politik Ditinjau Dari Perspektif Penegakan Hukum di Indonesia. Justicia Sains: Jurnal Ilmu Hukum, 260-275.

Kusrini, & Mashuri, M. (2019). Sentiment Analysis In Twitter Using Lexicon Based and Polarity Multiplication. International Conference on Applied Innovations in IT, 365-368.

Muhammadi, R. H., Laksana, T. G., & Arifa, A. B. (2022). Combination of Support Vector Machine and Lexicon-Based Algorithm in Twitter Sentiment Analysis. Khazanah Informatika, 59-71.

Prasetya, Y. N., Winarso, D., & Syahril. (2021). Penerapan Lexicon Based Untuk Analisis Sentimen Pada Twiter Terhadap Isu Covid-19. JURNAL FASILKOM, 97-103.

Purmanudin, H. (2023, Oktober 7). Pemilu: Pilar Demokrasi dan Partisipasi Warga Negara. Retrieved from kompasiana: https://www.kompasiana.com/hotim16665/6521379b110fce70ec734d73/pemilu-pilar-demokrasi-dan-partisipasi-warga-negara

Ramadhani, B., & Suryono, R. R. (2024). Komparasi Algoritma Naïve Bayes dan Logistic Regression Untuk Analisis Sentimen Metaverse. Jurnal Media Informatika Budidarma, 714.

Saputra, E. (2021, Januari 6). Peranan Media Sosial di Dalam Bidang Politik. Retrieved from kumparan: https://kumparan.com/erik-saputra-1609901036015096387/peranan-media-sosial-di-dalam-bidang-politik-1uvMYhJvhaC

Satria, H. (2024, Maret 30). Crawl data twitter > 2000 tweets - 30 Maret 2024. Retrieved from Google Colab: https://colab.research.google.com/drive/1RyMMMOl4e-3XniX_fILfIoqnytbuB-4m#scrollTo=4UIL1x21P9rQ

Wulandari, C. D., Musqith, M. A., & Ayuningtyas, F. (2023). Fenomena Buzzer Di Media Sosial Jelang Pemilu 2024. AVANT GARDE: Jurnal Ilmu Komunikasi, 135-136.

DOI: https://doi.org/10.26760/mindjournal.v9i2.166-178