Analisis Sentiment Kuliah Daring Di Media Sosial Twitter Selama Pandemi Covid-19 Menggunakan Algoritma Sentistrength
Online Lecture Sentiment Analisys On Twitter Social Media During The Covid-19 Pandamic Using Sentistrength Algorithm
DOI:
https://doi.org/10.57152/malcom.v1i2.15Keywords:
Sentiment Analisys, Classification, Online Lecture, Twitter, SentistrengthAbstract
Analisys sentiment adalah suatu bentuk kegiatan yang digunakan untuk menganalisis opini masyarakat tentang suatu kejadian seperti kuliah daring selama pandemi Covid-19 melalui salah satu media sosial Twitter. Kuliah daring adalah suatu sistem pembelajaran yang dilakukan dengan membutuhkan internet dalam proses belajar- mengajar. Sedangkan Twitter adalah suatu platform microblogging yang digunakan untuk menulis suatu opini atau pendapat tentang suatu peristiwa. Metode SentiStrenth merupakan salah satu metode yang dapat digunakan untuk melakukan analisis sentiment terhadap kebijakan Kuliah Daring yang digunakan untuk mengklasifikasi suatu tweet berdasarkan tingkat emosinya. Hasil proses analisis sentiment menggunakan sentistrength berdasarkan opini masyarakat dalam hal ini pengguna Twitter terhadap kebijakan kuliah daring menghasilkan nilai netral dengan persentase 54%, dan tingkat akurasi 85%, serta tingkat kesalahan 15%.
References
N. R. Rahmawati, F. E. Rosida, and F. I. Kholidin, “Analisis Pembelajaran Daring Saat Pandemi Di Madrasah Ibtidaiyah,” J. Prim. Educ., vol. 1, no. 2, pp. 139–148, 2020.
J. L. Moore, C. Dickson-Deane, and K. Galyen, “E-Learning, online learning, and distance learning environments: Are they the same?,” Internet High. Educ., vol. 14, no. 2, pp. 129–135, 2011, [Online]. Available: http://dx.doi.org/10.1016/j.iheduc.2010.10.001.
L. Kumar and P. K. Bhatia, “TEXT MINING?: CONCEPTS , PROCESS AND APPLICATIONS,” vol. 4, no. 3, pp. 36–39, 2013.
I. Zulfa and E. Winarko, “Sentimen Analisis Tweet Berbahasa Indonesia Dengan Deep Belief Network,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 2, p. 187, 2017.
P. Bailey, N. Craswell, and D. Hawking, “Engineering a multi-purpose test collection for Web retrieval experiments,” Inf. Process. Manag., vol. 39, no. 6, pp. 853–871, 2003.
D. P. Artanti, A. Syukur, A. Prihandono, and D. R. I. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,” pp. 8–9, 2018.
L. Ardiani and H. Sujaini, “Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak Implementation of Sentiment Analysis of Community Responses to Development in Pontianak City,” vol. 8, no. 2, pp. 44–51, 2020.
B. Sriram, D. Fuhry, E. Demir, H. Ferhatosmanoglu, and M. Demirbas, “Short text classification in twitter to improve information filtering,” Int. ACM SIGIR Conf. Res. Dev. Inf. Retr., no. January 2010, pp. 841–842, 2010.
D. Zimbra, A. Abbasi, D. Zeng, and H. Chen, “The State-of-the-Art in Twitter Sentiment Analysis,” ACM Trans. Manag. Inf. Syst., vol. 9, no. 2, pp. 1–29, 2018.
D. H. Wahid and A. SN, “Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 10, no. 2, p. 207, 2016.
M. Thelwall, K. Buckley, and G. Paltoglou, “Sentiment Strength Detection for the Social Web,” J. Am. Soc. Inf. Sci. Technol., vol. 23, no. 5, pp. 739–742, 2017.
S. Visa, B. Ramsay, A. Ralescu, and E. Van Der Knaap, “Confusion matrix-based feature selection,” CEUR Workshop Proc., vol. 710, pp. 120–127, 2011.
U. Khaira, R. Johanda, P. E. P. Utomo, and T. Suratno, “Sentiment Analysis Of Cyberbullying On Twitter Using SentiStrength,” Indones. J. Artif. Intell. Data Min., vol. 3, no. 1, p. 21, 2020.
D. Setian and I. Seprina, “ANALISIS SENTIMEN MASYARAKAT TERHADAP DATA TWEET LAZADA MENGGUNAKAN TEXT MINING DAN ALGORITMA NAIVE Bina Darma Conference on Computer Science P ( c | X ) = P ( x | C ) P ( c ) P ( x ),” Bina Darma Conf. Comput. Sci., pp. 998–1004, 2019.
