Purwokerto, Indonesia
Email: 1 zidny@ittelkom-pwt.ac.id, 2andika.amalia@gmail.com
Abstrak
Analisis sentimen bertujuan untuk menemukan pendapat, mengidentifikasi sentimen yang diungkapkan, dan kemudian
mengklasifikasikan nilai polaritasnya. Salah satu metode analisis sentimen adalah lexicon-based. Penelitian ini
mengimplementasikan lexicon based sentiment analysis untuk menganalisis polaritas persepsi masyarakat terhadap topik
perkembangan “ekonomi Indonesia”. Dataset dikumpulkan dari media social dari tahun 2017 sampai dengan 2019.
Preprocessing yang digunakan adalah case folding, menghapus karakter newline, mengganti kata tidak baku, menghapus
mention, menghapus hashtag, menghapus string URL, mengubah kata bernegasi, dan menerjemahkan teks ke dalam Bahasa
Inggris dengan library TextBlob. Penulis mengekstraksi nilai sentiment dari kata sifat, kata keterangan, kata benda, dan kata
kerja yang terdapat pada teks. Berdasarkan hasil analisis didapatkan informasi bahwa terdapat 63,6% tanggapan positif
masyarakat terhadap perkembangan ekonomi Indonesia, 7,4% tanggapan negatif, dan 29% netral.
Kata Kunci: Analisis sentimen, ekonomi Indonesia, leksikon, polaritas, tanggapan masyarakat
Abstract
Sentiment analysis aims to find opinions, identify sentiments expressed, and then classify their polarity values. One method of
sentiment analysis is Lexicon-based. This study implements the Lexicon based sentiment analysis to analyze the polarity of
public responses to the topic of the development of "the Indonesian economy". The dataset is collected from social media from
2017 to 2019. Preprocessing used is folding cases, deleting newline characters, changing non-standard words, deleting
mentions, deleting hashtags, removing URL strings, changing word negation, and translating text into English with TextBlob
library. Then extract the sentiment values from adjectives, adverbs, nouns, and verbs found in the text. Based on the results of
sentiment analysis, it can be seen that there are 63.6% positive responses from the public to the development of the Indonesian
economy, 7.4% negative responses, and 29% neutral.
Keywords: Indonesian economic, lexicon, polarity, public responses, sentiment analysis
1. PENDAHULUAN
Indonesia merupakan salah satu negara berkembang yang terletak di wilayah Asia Tenggara. Berdasarkan data
sensus penduduk yang dilakukan Badan Pusat Statistik, pada tahun 2010 terdapat 237.641.326 jiwa [1] dengan
indeks perkembangan ekonomi Indonesia dari Triwulan I tahun 2017 sampai dengan Triwulan 1 2019 seperti
ditunjukkan Gambar 1.
Laju Pertumbuhan Triwulanan (Persen)
5.27
5.3 5.19 5.17 5.18
5.2 5.06 5.06 5.07
5.1 5.01 5.01
5
4.9
4.8
Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1
2017 2017 2017 2017 2018 2018 2018 2018 2019
2. METODE PENELITIAN
2.1 Sentiment Analysis
Sentiment Analysis (SA) atau Opinion Mining (OM) adalah studi komputasi atas pendapat, sikap, dan emosi orang
terhadap suatu entitas. Entitas dapat mewakili individu, acara, atau topik [4]. Opinion mining bertugas untuk
mengekstraksi dan menganalisis pendapat orang tentang suatu entitas, sementara Sentiment Analysis adalah untuk
mengidentifikasi sentimen yang diungkapkan dalam suatu teks lalu menganalisisnya. Oleh karena itu, tujuan utama
dari Sentiment Analysis adalah untuk menemukan pendapat, mengidentifikasi sentimen yang diungkapkan, dan
kemudian mengklasifikasikan polaritasnya (positif, negatif, ataupun netral). Secara umum ada 3 tahapan pada
Sentiment Analysis sebagaimana yang ditunjukkan pada Gambar 2.
Persebaran frekuensi 10 kata terbanyak setelah dilakukan penghilangan tanda baca dan angka ditunjukkan
pada Gambar 4.
4. IMPLEMENTASI
Hasil dari tahapan “Extract Sentiment Score” yang ditunjukkan pada Subbab 3.2.2 adalah berupa label sentimen
untuk setiap teks tweets. Tabel 3 menunjukkan contoh text asli, hasil preprocessing, sentiment score, dan labelnya.
Tabel 3. Contoh hasil pelabelan teks berdasarkan Lexicon Based Sentiment Analysis
No Teks asli English Sentimen Sentimen
Score Label
44 Itu artinya dana yg ada bisa It means that the available funds 0,85 positive
difokuskan pada pemberdayaan can be focused on the economic
ekonomi masyarakat desa. empowerment of rural communities
especially if the government focuses
on the concept of one bumdes one
product and establishes BLK and
Terlebih jika pemerintah fokus pada KUB in each sub-district God
konsep One BUMDes, One product willing, the Indonesian economy is
dan mendirikan BLK dan KUBE di truly moving from the village from
tiap kecamatan, Insya Allah ekonomi the periphery
Indonesia benar2 bergerak dari desa,
dari daerah pinggiran.
https://twitter.com/dedisalaf/status/10
62116874798825472 …
45 Lah, apa manfaatnya melanjutkan what's the benefit of continuing the 0 netral
proyek Hambalang yg mangkrak buat hambalang project which is stalling
percepatan ekonomi bangsa? for the acceleration of the nation's
economy without hambalang, the
achievement of Indonesian athletes
in asian games is quite shiny how
Tanpa Hambalang Prestasi Atlit come I think
Indonesia di Asian Games 2018
cukup mengkilap kok.
Mikir...!!!
@AndiArief__
@ProfYLHpic.twitter.com/V3YkFjF
F6r
46 Maju mbah mu,rakyat ekonomi nya forward, your preacher's economy -0,4 negative
terpuruk,karena di era ini,rakyat is getting worse because in this era
tertekan ekonomi nya,karena banyak the people are depressed because of
nya bank bank emok,yang memeras the many emok bank banks that
keringat rakyat,di atas kelihatan sweat the people above look
makmur indonesia tuh,tapi kenyataan prosperous Indonesia but the
di bawah jauh lebih sengsara dari reality below is far more miserable
pemerintahan suharto, than the Suharto government
47 Calon wakil presiden Ma'ruf Amin vice presidential candidate ruf amin 0 netral
optimistis ekonomi Indonesia bisa is optimistic that the Indonesian
berkembang pesat di tahun 2024. economy can grow rapidly in
#2019JokowiKyaiMaruf jokowikyaimaruf jokowikyaimaruf
https://twitter.com/tag_nusantara/stat
us/1048376527564419078/photo/1pic
.twitter.com/c4YRvuRxru
#2019JokowiKyaiMaruf
Hasil analisis sentimen berbasis leksikon ditunjukkan pada Gambar 6. Dari grafik pada Gambar 6
didapatkan informasi bahwa terdapat 63,6% tanggapan positif masyarakat terhadap perkembangan ekonomi
Indonesia, 7,4% tanggapan negatif, dan 29% netral.
5. KESIMPULAN
Berdasarkan penelitian yang telah dilakukan didapatkan kesimpulan bahwa Lexicon Based Sentiment Analysis
telah dapat digunakan pada teks tweet yang berbahasa Indonesia, namun tweet tersebut harus diterjemahkan ke
dalam Bahasa Inggris terlebih dahulu. Sedangkan berdasarkan prosentase kecenderungan masyarakat hasil dari
Sentiment Analysis didapatkan kesimpulan bahwa sebagai besar masyarakat Indonesia memiliki tanggapan positif
terhadap perkembangan ekonomi di Indonesia.
Saran untuk penelitian selanjutnya adalah membandingkan nilai sentiment score yang terdapat pada
berbagai framework, misalkan SentiWordNet [10], SenticNet [11], dan sebagainya.
REFERENCES
[1] Badan Pusat Statistik, “Jumlah dan Distribusi Penduduk,” 2010. [Daring]. Tersedia pada: https://sp2010.bps.go.id/. [Diakses: 02-Jul-
2019].
[2] Badan Pusat Statistik, “Berita Resmi Statistik (6 Mei 2019),” 06-Mei-2019.
[3] Y. Pratomo, “APJII: Jumlah Pengguna Internet di Indonesia Tembus 171 Juta Jiwa,” kompas.com, 16-Mei-2019.
[4] W. Medhat, A. Hassan, dan H. Korashy, “Sentiment Analysis Algorithms and Applications: A Survey,” Ain Shams Eng. J., vol. 5, hal.
1093–1113, 2014.
[5] F. M. Matulatuwa, E. Sediyono, dan A. Iriani, “Text Mining dengan Metode Lexicon Based untuk Sentiment Analysis Pelayanan PT.
Pos Indonesia Melalui Media Sosial Twitter,” J. Masy. Inform. Indones., vol. 2, no. 3, hal. 52–65, 2017.
[6] C. Sutami, “Perbandingan Metode Klasifikasi Naive Bayes Classifier Dan Lexicon Based,” Universitas Widyatama, Bandung, 2015.
[7] I. Kusumawati, “Analisa Sentimen Menggunakan Lexicon Based Kenaikan Harga Rokok Pada Media Sosial Twitter,” Universitas
Muhamadiyah Surakarta, 2017.
[8] S. Chatterjee dan M. Krystyanczuk, Python Social Media Analytics. Birmingham: Packt Publishing, 2017.
[9] G. A. Buntoro, T. B. Adji, dan A. E. Purnamasari, “Sentiment Analysis Twitter dengan Kombinasi Lexicon Based dan Double
Propagation,” CITEE, hal. 39–43, 2014.
[10] S. Baccianella, A. Esuli, dan F. Sebastiani, “SENTIWORDNET 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion
Mining,” in Proceeding of Language Resources and Evaluation Conference, 2010, vol. 10, hal. 2200–2204.
[11] Erik Cambria, E. Cambria, D. Olsher, dan D. Rajagopal, “SenticNet 3: A common and common-sense knowledge base for cognition-
driven sentiment analysis,” in Proceedings of AAAI, 2014, hal. 1515–1521.