Abstract
The usage of technological based utilities has been increasing rapidly in our daily life. This
phenomenon breeds two fundamental changes: Data explosion and social structures. It takes
a different approach to gain insights and benefits from the phenomenon. In psychological
science, the acquintance of alternative methods to keep up with the problems should be a
necessity. This article introduces two social media data analytical techniques, namely (i)
sentiment analysis as the process of computationally identifying, extracting, and quantifying
the affective condition towards a particular target, and (ii) social network analysis (SNA) as
the process of investigating social structures through the use of Graph Theory dan Network
Science. Overviews are presented in general terms with expectation to bring quality of
research in Psychology to the next level.
Keywords: big data; digital social media; sentiment analysis; social network analysis (SNA);
psychological science
Buletin Psikologi 67
YUSAINY, DKK.
68 Buletin Psikologi
SOCIAL DATA ANALYTICS, RISET PSIKOLOGI
metode untuk mengolah mahadata menjadi dimensi hedonis yang bergerak dari
suatu luaran yang bermanfaat. perasaan menyenangkan (positif) sampai
tidak menyenangkan (negatif), dengan
Analisis Sentimen kutub netral yang berada pada titik sentral
struktur pengalaman afektif. Sebagai contoh
Manusia adalah makhluk ultra sosial yang
sederhana, “Makanan di restoran X sangat
meniscayakan kehadiran orang lain. Secara
enak”, adalah ekspresi sentimen positif,
fundamental, manusia tidak bisa hidup
“Saya jijik memakai produk Y” mereflek-
dalam isolasi. Interaksi dengan manusia lain
sikan sentimen negatif, sementara, “Saya
sangat diperlukan dan berkontribusi
belum tahu apakah saya senang dengan
terhadap proses mental dan perilaku
kandidat Z,” bersifat netral.
seseorang. Pandangan kita terhadap dunia,
serta keputusan yang kita ambil sering kali Manfaat dan Keterbatasan Analisis
dipengaruhi oleh “sentimen” orang lain. Sentimen. Pada periode sebelumnya,
Sentimen adalah beragam ekspresi subjektif, sentimen masyarakat terhadap suatu target
opini, perilaku, orientasi dan emosi, atau lebih banyak digali melalui metode tradi-
bahkan nada dalam teks (Liu, 2015). sional seperti survei, jajak pendapat, atau
Kumpulan sentimen yang sifatnya focus group discussion yang dilakukan secara
unstructured sekaligus berserakan (scattered) sengaja oleh pihak-pihak yang berkepen-
jika diolah dengan tepat akan menghasilkan tingan. Seiring meningkatnya popularitas
informasi yang tidak hanya signifikan tetapi user-generated content dari media sosial,
juga bermakna (meaningful). konten yang diekspresikan oleh pengguna
melalui tinjauan, forum diskusi, blog, vlog,
Terminologi analisis sentimen pertama
dan sebagainya dijadikan basis data untuk
kali diperkenalkan oleh Nasukawa dan Yu
melakukan analisis sentimen.
(2003) untuk merujuk pada bagaimana
suatu sentimen diekspresikan di dalam teks Sifat dari media sosial yang memung-
(bahasa), serta kategorisasi terhadap kinkan terjadinya spontanitas dalam
sentimen tersebut. Metode analisis sentimen berekspresi menjadi nilai tambah metode
berakar dari kajian Natural Language analisis sentimen. Sebagai sumber data,
Processing (NLP) pada bidang ilmu kompu- pola yang diperoleh dari media sosial
ter, artificial intelligence, dan linguistik yang mempunyai nilai guna yang tinggi terutama
mendalami interaksi antara komputer dan untuk menyokong pengambilan keputusan.
bahasa yang digunakan oleh manusia. Di Kebijakan yang didasari oleh data (data-
negara maju, analisis sentimen ditujukan driven) mampu menekan kesalahan karena
pada otomatisasi yang dapat mengidentifi- target yang dijadikan tujuan terukur.
kasi NLP sebagai basis ekspresi sentimen. Kelemahan yang terjadi pada pengisian
Informasi dan pola yang dihasilkan oleh kuesioner berbasis self-reported, seperti
analisis sentimen telah dimanfaatkan oleh ketidakstabilan individu dalam melakukan
perusahaan global seperti Microsoft, intropeksi diri maupun pemberian respons
Google, Hewlett-Packard, dan Adobe. yang mengandung social desirability bias
dapat dihindari. Melalui analisis sentimen
Sentimen terhadap suatu target secara
secara terkomputasi, kondisi afektif
umum dapat memiliki orientasi positif,
pengguna media sosial terhadap produk,
negatif, atau netral. Dikaitkan dengan
jasa, isu, atau topik yang menjadi target
model klasik pengalaman afektif dari
sentimen dapat lebih leluasa diinter-
Feldman-Barrett dan Russell (1998),
pretasikan.
orientasi sentimen memiliki asosiasi dengan
Buletin Psikologi 69
YUSAINY, DKK.
70 Buletin Psikologi
SOCIAL DATA ANALYTICS, RISET PSIKOLOGI
Buletin Psikologi 71
YUSAINY, DKK.
bawa dampak luas, karena topologi jaringan (cascading effect) yang berakibat fatal.
memungkinkan terjadi efek berantai
Gambar 1. Paradoks ilusi mayoritas. Topologi A (kiri) dan topologi B (kanan) memiliki jejaring yang
identik selain pada tiga node aktif yang berwarna hitam. (Sumber: Lerman, Yan, & Wu, 2016.)
72 Buletin Psikologi
SOCIAL DATA ANALYTICS, RISET PSIKOLOGI
Sebaliknya, pola relasi dalam pertemanan kedua orang tersebut saling terhubung
Facebook bersifat takberarah karena pada secara simetris.
saat permintaan pertemanan terhubung,
Buletin Psikologi 73
YUSAINY, DKK.
74 Buletin Psikologi
SOCIAL DATA ANALYTICS, RISET PSIKOLOGI
Nasukawa, T., & Yi, J. (2003). Sentiment We Are Social. (2017). Digital in 2017:
analysis: Capturing favorability using Southeast Asia regional overview.
natural language processing. Proceedings Diunduh dari https://wearesocial.com/
of the 2nd International Conference on special-reports/digital-southeast-asia-
Knowledge Capture, 70 - 77. doi: 2017
10.1145/945645.945658 West, R., Paskov, H. S., Leskovec, J., & Potts,
Nurhuda, F., Sihwi, S. W., Doewes, A. C. (2014). Exploiting social network
(2013). Analisis sentimen masyarakat structure for person-to-person
terhadap calon Presiden Indonesia 2014 sentiment analysis. Transactions of the
berdasarkan opini dari Twitter Association for Computational Linguistics,
menggunakan metode Naive Bayes 2, 297–310.
Classifier. ITSmart: Jurnal Teknologi dan Winter, S., Neubaum, G., Eimler, S. C.,
Informasi, 2(2), 35-42. doi: 10.20961/ Gordon, V., Theil, J. Herrmann, J.,
its.v2i2.630 Meinert, J., & Krämer, N. C. (2014).
Pozzi, F. A., Fersini, E., Messina, E., & Liu, Another brick in the Facebook wall –
B. (2016). Sentiment analysis in social How personality traits relate to the
network. Cambridge, MA: Morgan content of status updates. Computers in
Kaufmann. Human Behavior, 34, 194–202. doi:
Prell, C. (2013). Social network analysis: 10.1016/j.chb.2014.01.048
History, theory, and methodology. London: Yusainy, C. (2015). Quo vadis Psikologi
Sage Publications. sebagai sebuah kajian ilmiah? Buletin
Ruths, D., & Pfeffer, J. (2014). Supplemental Psikologi, 23(1), 51-56. doi:
material for social media for large 10.22146/bpsi.10577
studies of behavior. Science, 346(6213), Yusainy, C., Chawa, A. F., & Kholifah, S.
1063-1064. doi: 10.1126/science.346.6213. (2017). Reduksi stigma-publik kepada
1063 penyandang disabilitas fisik dan mental:
Scott, J. (2013). Social Network Analysis, 3rd Social listening dan pemberdayaan
ed. London: Sage. komunitas. Laporan Penelitian Berbasis
Kompetensi. Kementerian Riset,
Teknologi, dan Pendidikan Tinggi.
(i) Kajian ini merupakan bagian dari Skema Pendanaan Penelitian Berbasis Kompetensi
yang dibiayai oleh Direktorat Riset dan Pengabdian Masyarakat Direktorat Jenderal
Penguatan Riset dan Pengembangan Kementerian Riset, Teknologi, dan Pendidikan
Tinggi sesuai dengan Surat Perjanjian Penugasan Pelaksanaan Program Penelitian No.
063/SP2H/LT/DRPM/IV/2017 dan No. 063/ADD/SP2H/LT/DRPM/VIII/2017
Buletin Psikologi 75