Analisis Sentimen terhadap Radikalisme

berdasarkan Opini Masyarakat di media sosial

Twitter
Menggunakan programming python dan algoritma Naive Bayes

Fail Amir line 1: 2nd Given Name Surname

Universitas AMIKOM Yogyakarta
(student)
Fakultas Informatika
Yogyakarta, Indonesia
fail.amir@students.amikom.ac.id
Bayu Pebrianto
Universitas AMIKOM Yogyakarta
(student)
Fakultas Informatika
Yogyakarta, Indonesia
bayu.pebrianto@students.amikom.ac.id
line 2: dept. name of organization
line 1: 3rd Given Name Surname
(of Affiliation)
line 2: dept. name of organization
line 3: name of organization
(of Affiliation)
(of Affiliation)
line 3: name of organization
line 4: City, Country
(of Affiliation)
line 5: email address or ORCID
line 4: City, Country
line 5: email address or ORCID

Abstract—Dalam perkembangan sosial masyarakat di
Indonesia; ras,suku dan agama memiliki nilai tersendiri di hati
masyarakat. Terlebih khusus pada permasalahan radikalisme
yang selalu saja tidak menemukan jalan keluar atas
penyelesaian masalahnya. Di mulai dari kasus bom bali,
jakarta, beberapa gereja, dan lainnya. Seolah mencerminkan
bahwa radikalisme adalah suatu anomali sosial yang wajar di
kehidupan bernegara rakyat Indonesia. Namun sebenarnya,
seberapa besarkah dampak radikalisme atas psikologi sosial di
opini masyarakat. Penelitian ini bertujuan untuk
mengklasifikasi terhadap sentimen positif,negatif dan netral
dari media sosial yang twiter yang dijadikan tempat analisis,
karena twiter menjadi media sosial yang populer di kalangan
pengguna internet. Symbols, Special Characters, Footnotes, or
Math in Paper Title or Abstract. (Abstract)
Keywords—component, formatting, style, styling, insert (key
words)
I. PENDAHULUAN
Negara kita Indonesia merukapan salah satu negara yang
memiliki agama, suku, serta budaya yang beragam. tentunya
dengan adanya perbedaan membuat masyarakat ada
perbedaan pendapat, dalam perbedaan ini ada yang memang
tidak bermaksud untuk mengadu domba atau memecah belah,
pendapat yang hanya bertujuan untuk menegaskan saja tidak
ada maksud untuk pertikaian. tetapi tidak sedikit pula ada
beberapa kelompok yang memang sengaja mengadu domba
dengan perbedaan ini. dahulu masyarakat menyatakan
mengungkapkan kritk, opini, dan saran melalui media cetak
sebelum era digital yang tidak semua masyarakat memiliki
kemampuan menulis untuk menerbitkan tulisannya. tetapi,
perkembangan IT sekarang telah merubah kebiasaan
masyarakat kita dalam mengemukakan opininya di sosial
media, media sosial yang saat ini cukup populer yaitu
Twitter.
Perkembangan Twitter terbilang cukup cepat. ini
didasarkan dari survey ppada 30 november 2019. yang
bersumber dari tekno.kompas.com[1] yaitu 145jt pengguna
aktif twitter di indonesia.
dan indonesia merupakan masuk ke 10 besar pengguna di
dunia. simple, dan mudah digunakan merupakan alasan
terbesar twitter menjadi kegemaran masyarakat Indonesia
dalam media sosial. dan juga pengguna bebas
mengungkapkan opini mereka dalam tweet.
tweet merupakan teks yang ditulis pengguna untuk
memberikan informasi di twitter. didasar dari kutipan hasil
penelitian [2], tweet dapat digunakan user untuk memberi
informasi tentang apa yang merka sedang lakukan, rasakan,
percakapan, berbagi pendapat, serta bisa juga pelaporan
berita penting. pada dasarnya tweet berguna untuk mem-post
hal tentang pengguna serta info lainnya. dalam tweet bisa
juga mengekspresikan mood atau perasaan user. contohnya
yaitu “Aku ingin bermain bola tetapi jakarta macet sekali
karena pemerintah yang tidak becus” itu contoh dari opini
yang bersifat subjektif. dalam opini-opini masyarakat seperti
ini, twitter dapat dijadikan untuk mendapatkan data dari
setiap kumpulan opini dari masyarakat.
polaritas positif atau negatif opini dilakukan secara
manual, tapi dengan berkembangnya sumber pendapat
semakin banyak usaha untuk mengklasifikasi polaritas
pendapat tersebut akan semakin banyak dipakai. maka dari
itu, penerapan metode pembelajaran mesin untuk membantu
proses ini untuk melakukan hal itu kita bisa menggunakan
fungsi text mining yaitu dalam proses klasifikasi dokumen.
ada banyak sekali teknik klasifikasi dokumen itu sendiri,
antara lain yaitu Naïve Bayes classifier, Decision Trees, dan
Support Vector Machines. diantara satu metode yang cukup
populer uaitu Neive Bayes classifier karena memiliki
kecepatan serta akurasi yang cukup tinggi ketika digunakan
dalam data yang cukup besar dan beragam. selain itu Naive
Bayer Classifier memiliki kelebihan lainnya yaitu sederhana,
cepat dan akurasi tinggi.
Penelitian analisis sentimen memang sudah banyak
dibuat. diantaranya terhadap review film, teknik mesin yang
digunakan yaitu Naive Bayer, Support Vector Machines dan
juga Maximum Entropy, penelitian tentang analisis
menggunakan data yang didapat dari media sosial

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

 twitter.sentimen dalam media sosial twitter menggunakan
beberapa teknik untuk mengklasifikasinya. pada penelitian
ini dliakukan menggunakan metode naive bayes dalam
penentuan polaritas pada sntimennya. yang dimana hasil dari
polaritas tersebut memiliki akurasi yang tinggi ketika
menggunakan metode Naive Bayes.
II.
III. EASE OF USE
A. Selecting a Template (Heading 2)
First, confirm that you have the correct template for your
paper size. This template has been tailored for output on the
A4 paper size. If you are using US letter-sized paper, please
close this file and download the Microsoft Word, Letter file.
B. Maintaining the Integrity of the Specifications
The template is used to format your paper and style the
text. All margins, column widths, line spaces, and text fonts
are prescribed; please do not alter them. You may note
peculiarities. For example, the head margin in this template
measures proportionately more than is customary. This
measurement and others are deliberate, using specifications
that anticipate your paper as one part of the entire
proceedings, and not as an independent document. Please do
not revise any of the current designations.
IV. METODE PENELITIAN
3.1 Jenis Penelitian
Penelitian ini melakukan penelitian kuantitatif yang
sudah terencana secara sistematis agar mendapatkan solusi
terbaik dari permasalahan yang diteliti. Desain penelitian
yang digunakan merupakan analisis sentimen dari
permasalahan yang telah ditetapkan. Analisis dilakukan
setelah klasifikasi dan ketepatan pegujian model terbaik
didapatkan. Penelitian ini merupakan penelitian yang bersifat
analisis dari pengolahan data sekunder yang diperoleh tanpa
eksperimen secara langsung dilapangan.
3.2 Sumber Data
Data yang digunakan pada penelitian ini merupakan data
sekunder tentang opini atau postingan seseorang di twitter
mengenai radikalisme yang memprovokasi islam radikalis.
Data diambil secara daring dari situs resmi
www.api.twitter.com berdasarkan mention account dengan
kata “khilafah” yang terdiri dari kalimat positif dan negatif.
Data diperoleh dengan melakukan proses web crawling
dengan menggunakan aplikasi Netbeans.
Crawling dilakukan dengan memilih kata kunci dari data
yang ingin ditambang. Karena pada penelitian ini
menggunakan kata “khilafah”, maka crawling dilakukan
dengan menyebutkan satu kata tersebut. Data yang didapat
merupakan data teks berupa kalimat dari postingan beberapa
akun twitter seperti pada Tabel 3.1. Banyaknya data yang
ditambang yaitu sebanyak ribuan tweet. Sebagian data tweet
digunakan untuk training dan sisanya digunakan sebagai
data testing. Kategori nilai sentimen berupa kalimat positif
dan negatif, diambil dengan perbandingan 2:3. Data disusun
secara acak tanpa memperhatikan keterurutan dari tanggal,
akun, retweet ataupun yang lainnya.
Tabel 3.1. Sampel data tweet Berdasarkan Mention
Account
No Akun Kategori tweet
1. @OktarinaM Negatif Menuju persatuan umat yg hakiki
ahard1 dengan khilafah..InsyaaAllah.
Allahu Akbar
2. @muslimprib Positif Pendukung khilafah banyak yg
umi gak bisa ngaji. Itu fakta!!!!
3. @Dennysireg Negatif Saya sebenarnya jijik kalau tim
ar7 @jokowi bawa2 narasi agama
dalam kampanye. Tapi saya lebih
jijik kalau pendukung @prabowo…
4. @Airin_NZ Positif Ingin mnerapkan Indonesia
Bersyariah. Tp menolak Baca
Al-qur'an
5. @RokhmatLa Negatif Seorang kacung takan mungkin
bib menkritik majikannya. Sudah
khilafah saja...
3.3 Pengolahan Data
Data yang sudah diperoleh selanjutnya disimpan dalam
format .xls dan diubah menjadi .csv. Pegubahan format ini
bertujuan agar lebih mudah dalam pengolahan di bahasa R
ketika mengubah data word menjadi number. Data yang
sudah terkumpul, diolah menggunakan metode text mining
yang di dalamnya terdiri dari tahap pre-processing,
pembobotan data, hingga mendapatkan data number dalam
bentuk matriks. Selanjutnya akan diteruskan pada tahap
klasifikasi menggunakan metode ANN.
3.4 Rancangan Sistem
Gambar 3.1 Flowchart Pengolahan Data
Pengolahan data berdasarkan Gambar 3.1 menjelaskan
bahwa tahap-tahap yang dilalui oleh data diawali dengan
tahap pre-processing yang di dalamnya melakukan kegiatan
convert data dari data mentahan. Data difilter dengan
menghilangkan tanda baca, angka, dan emoticon, agar dapat
diekstraksi fiturnya. Proses stemming pada tahap pre-
processing tidak dilakukan karena peneliti menginginkan
kata yang diperoleh dari tahap ini tidak berupa kata dasar,
melainkan cukup dengan pemisahan kata yang sebenarnya
dari proses tokenisasi suatu dokumen. Hal ini bertujuan agar
pada saat tahap pembobotan kata, antara term dan dokumen
sesuai. Proses pembobotan kata dilakukan dengan
perhitungan TF-IDF. TF-IDF bertujuan memberikan
pembobotan pada suatu dokumen untuk menentuan frekuensi
kata pada dokumen yang disesuaikan dengan term yang
sudah terpilih hingga menghasilkan data vektor berupa
matriks.
Data dibagi menjadi dua bagian, kelompok pertama membagi
80% data training dan data 20% testing, sedangkan untuk
kelompok kedua membagi 60% data training dan 40% data
testing. Model dari data training dibangun menggunakan Angka yang hilang
metode ANN dengan melalui empat tahapan dan
menghasilkan bobot JST, sedangkan data testing digunakan Tanda baca yang hilang
sebagai sentimen aktual sebagai acuan pengujian Emoticon yang hilang
pembangunan model.
Crawling Data Twitter
Case-Folding
Data yang dibutuhkan dalam penelitian ini merupakan data
sekunder berupa tweet di twitter yang diperoleh dengan cara
crawling data twitter API. Untuk melakukan crawling data, Setelah penghapusan karakter web, data yang sudah
dilakukan registrasi terlebih dahulu agar mendapat kode dikumpulkan dalam bentuk format .csv, selanjutnya
akses di twitter API melalui situs dilakukan proses case-folding yaitu merubah huruf (A-Z)
https://dev.twitter.com/apps/new. Setelah kode didapatkan, pada kalimat menjadi huruf kecil semua. Tahap ini bertujuan
crawling data dapat dilakukan dengan menggunakan agar setiap kata dari semua dokumen sama dan tidak terjadi
software Netbeans sesuai dengan kata kunci yang sudah multi term pada saat tahap tokenisasi dilakukan.
dijelaskan sebelumnya untuk mendapatkan data tweet yang
diinginkan. saat melakukan crawling, pastikan internet aktif
pada komputer yang melakukan crawling. Karena crawling Penghapusan Stopwords
yang dilakukan menggunakan software Netbeans harus
dalam keadaan online.
Pelabelan dan Penghapusan Data Penghapusan stopwords merupakan penghapusan kosakata
yang tidak memiliki makna penting dalam pengkategorian
Data tweet yang sudah diperoleh selanjutnya disimpan dalam dokumen dan sering muncul dalam suatu kalimat seperti pada
bentuk .csv. Kemudian dilakukan pelabelan secara manual Tabel 3.3 berikut.
yang sudah dikonsultasi terlebih dahulu kepada ahli bahasa
dengan menunjukkan beberapa sampel. Data tweet dibedakan
ke dalam empat kategori yaitu tweet yang mengandung Kata penghubung
sentimen positif, negatif, netral, dan yang tidak termasuk
pada ketiganya (outlier). Tweet yang sudah mendapatkan Kata tanya
label diperiksa kembali sentimennya kepada ahli dalam
Waktu
bidang keagamaan. Selanjutnya, dilakukan penghapusan data
yang termasuk pada kategori netral dan outlier. Penghapusan Dan
data yang dilakukan dikarenakan tidak sesuai pada klasifikasi
sentimen yang akan diteliti dan dapat mengganggu hasil Apa
klasifikasi. senin
Pre-Processing Daripada
Pre-processing merupakan proses awal yang dilakukan pada Bagaimana
text mining sebelum melakukan pembobotan terhadap data
teks. Adapun prosesnya terdiri dari beberapa tahap berikut: Selasa

Convert data Dengan

Data yang tersimpan dalam bentuk format .xls diubah Mengapa

menjadi format .csv agar lebih mudah di proses dalam tahap Rabu
selanjutnya pada text mining.
Disebut
Cleansing
Dimana
Cleansing merupakan proses penghapusan semua karakter
web seperti html, www, http, dan karakter lainnya yang Kamis
dianggap tidak memiliki makna Di
Kapan
dan tidak berguna jika diikutkan pada pengklasifikasian Jumat
dokumen. Proses cleansing ini dilakukan karena terkadang
pada suatu tweet di twitter menyertakan alamat webnya. Ke
Penghapusan dibutuhkan agar proses klasifikasi tidak Siapa
terganggu. Pada tahap ini juga dilakukan tahap filtrasi data
dengan menghilangkan komponen-komponen seperti tanda Sabtu
baca, angka, dan emoticon yang tidak dibutuhkan
Kepada
(Mujilahwati, 2016). Adapun komponen- komponen yang
dihilangkan seperti pada Tabel 3.2.
Tabel 3.2. Komponen yang Dihapus
Minggu
Jika Seleksi Fitur
Seleksi Fitur merupakan pemilihan kosakata dari hasil
tokenisasi yang akan digunakan pada tahap klasifikasi.
Kosakata dipilih secara manual dan diambil kosakata penting
Januari untuk dijadikan data training dan testing pada tahap
klasifikasi.
Bagi
Pembobotan TF-IDF
Kalimat yang sudah difilter akan dipisah menjadi kata-
perkata atau beberapa token. Kemudian pembobotan TF-IDF
Februari dilakukan sebanyak kosakata yang dipilih dan diproses,
hingga masing-masing kosakata mempunyai bobot sendiri-
Sebagai sendiri. Penentuan bobot yang dikenakan per kosakata
dihitung berdasarkan Persamaan (2.1) dan Persamaan (2.2).
Hasil dari pembobotan kosa kata ini akan membentuk suatu
matriks seperti Tabel 3.4.
Maret Tabel 3.4. Ilustrasi Hasil Pembobotan TF-IDF
Seperti
Term
D1
April D2
walaupun ....
Dm
Tweet-1
Mei ........
Yang ........
........
.......
Juni Tweet-2
Yaitu ........
........
........
Juli ........
Yakni .....
........
........
Agustus ........
........
Tweet-n
Tokenisasi ........
........
Tahap tokenisasi dilakukan untuk membagi dan memisahkan ........
dokumen teks menjadi perkata atau token-token tertentu.
Contohnya seperti salah satu dari sampel tweet pada Tabel ........
3.1 dokumen pertama, yaitu “menuju persatuan umat yg
hakiki dengan khilafah insyaa allah allahu akbar” menjadi 11
token yang terdiri dari “menuju-persatuan-umat-yg-hakiki-
dengan-khilafah- insyaa-allah-allahu-akbar”. Klasifikasi Artificial Neural Network (ANN)
Hasil pembobotan yang sudah dalam bentuk matriks
selanjutnya dilakukan klasifikasi dengan algoritma sederhana
dari ANN berikut:
Melakukan inisialisasi pembobotan secara random atau acak
Menetapkan inisialisasi bobot dan jumlah hidden layer untuk
semua percobaan pencarian model terbaik.
Melakukan perhitungan keluaran neuron dengan metode
feedforward.
Menghitung kesalahan proses feedforward dengan fungsi
aktivasi. Pada penelitian ini menggunakan fungsi aktivasi
sigmoid biner.
Menghitung perubahan bobot dan bias dengan metode
backpropogation.
Perhitungan kembali dengan nilai bobot dan bias baru
Ulangi langkah diatas hingga proses komputasi
menghasilkan error dibawah batas minimum yang
ditentukan.
Pengujian Model
Uji coba dilakukan untuk mendapatkan model terbaik untuk
klasifikasi. Pengujian model dilakukan dengan melakukan uji
coba jumlah node pada hidden, dua hidden layer, dan uji coba
learning rate (0,1 – 0,5). Selain itu, pengujian dilakukan
dengan membagi data pada saat melakukan proses training
dan testing. grup pertama membagi data menjadi 80% untuk
training dan 20% untuk testing, sedangkan grup kedua
membagi data menjadi 60% training dan 40% testing. Pada
masing-masing grup pembagian data tersebut dilakukan
ketiga uji coba untuk mendapatkan model yang terbaik.
Model yang dipilih adalah model yang memiliki nilai akurasi
yang paling tinggi.
Analisis dan Visualisasi.
Setelah hasil dari proses klasifikasi menggunakan ANN
didapatkan, selanjutnya melakukan analisis dan visualisasi
dengan melakukan pembuatan wordcloud untuk mengetahui
kosakata yang berpengaruh dengan frekuensi sesuai
keinginan yang mau ditampilkan. Selain itu, analisis dan
visualisasi juga dilakukan dengan melihat keterhubungan
antar kata dari pembuatan graf jaringan dengan menggunakan
aplikasi VOSviewer.
V. USING THE TEMPLATE
After the text edit has been completed, the paper is ready
for the template. Duplicate the template file by using the Save
As command, and use the naming convention prescribed by
your conference for the name of your paper. In this newly
created file, highlight all of the contents and import your
prepared text file. You are now ready to style your paper; use
the scroll down window on the left of the MS Word
Formatting toolbar.
A. Authors and Affiliations
The template is designed for, but not limited to, six
authors. A minimum of one author is required for all
conference articles. Author names should be listed starting
from left to right and then moving down to the next line. This
is the author sequence that will be used in future citations and
by indexing services. Names should not be listed in columns
nor group by affiliation. Please keep your affiliations as
succinct as possible (for example, do not differentiate among
departments of the same organization).
1) For papers with more than six authors: Add author
names horizontally, moving to a third row if needed for more
than 8 authors.
2) For papers with less than six authors: To change the
default, adjust the template as follows.
a) Selection: Highlight all author and affiliation lines.
b) Change number of columns: Select the Columns
icon from the MS Word Standard toolbar and then select the
correct number of columns from the selection palette.
c) Deletion: Delete the author and affiliation lines for
the extra authors.
B. Identify the Headings
Headings, or heads, are organizational devices that guide
the reader through your paper. There are two types:
component heads and text heads.
Component heads identify the different components of
your paper and are not topically subordinate to each other.
Examples include Acknowledgments and References and, for
these, the correct style to use is “Heading 5”. Use “figure
caption” for your Figure captions, and “table head” for your
table title. Run-in heads, such as “Abstract”, will require you
to apply a style (in this case, italic) in addition to the style
provided by the drop down menu to differentiate the head
from the text.
Text heads organize the topics on a relational, hierarchical
basis. For example, the paper title is the primary text head
because all subsequent material relates and elaborates on this
one topic. If there are two or more sub-topics, the next level
head (uppercase Roman numerals) should be used and,
conversely, if there are not at least two sub-topics, then no
subheads should be introduced. Styles named “Heading 1”,
“Heading 2”, “Heading 3”, and “Heading 4” are prescribed.
C. Figures and Tables
a) Positioning Figures and Tables: Place figures and
tables at the top and bottom of columns. Avoid placing them
in the middle of columns. Large figures and tables may span
across both columns. Figure captions should be below the
figures; table heads should appear above the tables. Insert
figures and tables after they are cited in the text. Use the
abbreviation “Fig. 1”, even at the beginning of a sentence.
TABLE I. TABLE TYPE STYLES
Table Table Column Head
Head Table column subhead Subhead Subhead
copy More table copy a
a.
Sample of a Table footnote. (Table footnote)
Fig. 1. Example of a figure caption. (figure caption)
Figure Labels: Use 8 point Times New Roman for Figure
labels. Use words rather than symbols or abbreviations when
writing Figure axis labels to avoid confusing the reader. As
an example, write the quantity “Magnetization”, or
“Magnetization, M”, not just “M”. If including units in the
label, present them within parentheses. Do not label axes only
with units. In the example, write “Magnetization (A/m)” or
“Magnetization {A[m(1)]}”, not just “A/m”. Do not label
axes with a ratio of quantities and units. For example, write
“Temperature (K)”, not “Temperature/K”.
ACKNOWLEDGMENT (Heading 5)
The preferred spelling of the word “acknowledgment” in
America is without an “e” after the “g”. Avoid the stilted
expression “one of us (R. B. G.) thanks ...”. Instead, try “R.
B. G. thanks...”. Put sponsor acknowledgments in the
unnumbered footnote on the first page.
REFERENCES
The template will number citations consecutively within
brackets [1]. The sentence punctuation follows the bracket
[2]. Refer simply to the reference number, as in [3]—do not
use “Ref. [3]” or “reference [3]” except at the beginning of a
sentence: “Reference [3] was the first ...”
Number footnotes separately in superscripts. Place the
actual footnote at the bottom of the column in which it was
cited. Do not put footnotes in the abstract or reference list.
Use letters for table footnotes.
Unless there are six authors or more give all authors’
names; do not use “et al.”. Papers that have not been
published, even if they have been submitted for publication,
should be cited as “unpublished” [4]. Papers that have been
accepted for publication should be cited as “in press” [5].
We suggest that you use a text box
to insert a graphic (which is ideally a
300 dpi TIFF or EPS file, with all fonts
embedded) because, in an MSW
document, this method is somewhat
more stable than directly inserting a
picture.
To have non-visible rules on your
frame, use the MSWord “Format” pull-
down menu, select Text Box > Colors
and Lines to choose No Fill and No
Line.
Capitalize only the first word in a paper title, except for
proper nouns and element symbols.
For papers published in translation journals, please give
the English citation first, followed by the original foreign-
language citation [6].
[1] G. Eason, B. Noble, and I. N. Sneddon, “On certain integrals of
Lipschitz-Hankel type involving products of Bessel functions,” Phil.
Trans. Roy. Soc. London, vol. A247, pp. 529–551, April 1955.
(references)
[2] J. Clerk Maxwell, A Treatise on Electricity and Magnetism, 3rd ed.,
vol. 2. Oxford: Clarendon, 1892, pp.68–73.
[3] I. S. Jacobs and C. P. Bean, “Fine particles, thin films and exchange
anisotropy,” in Magnetism, vol. III, G. T. Rado and H. Suhl, Eds. New
York: Academic, 1963, pp. 271–350.
[4] K. Elissa, “Title of paper if known,” unpublished.
[5] R. Nicole, “Title of paper with only first word capitalized,” J. Name
Stand. Abbrev., in press.
[6] Y. Yorozu, M. Hirano, K. Oka, and Y. Tagawa, “Electron spectroscopy
studies on magneto-optical media and plastic substrate interface,” IEEE
Transl. J. Magn. Japan, vol. 2, pp. 740–741, August 1987 [Digests 9th
Annual Conf. Magnetics Japan, p. 301, 1982].
[7] M. Young, The Technical Writer’s Handbook. Mill Valley, CA:
University Science, 1989.
IEEE conference templates contain guidance text for
composing and formatting conference papers. Please
ensure that all template text is removed from your
conference paper prior to submission to the
conference. Failure to remove template text from
your paper may result in your paper not being
published.