JURNAL MEDIA INFORMATIKA BUDIDARMA, Vol 3, No 4, Oktober 2019

ISSN 2614-5278 (media cetak)

ISSN 2548-8368 (media online)
Hal 268-273 | DOI: 10.30865/mib.v3i4.1283

Kecenderungan Tanggapan Masyarakat terhadap Ekonomi Indonesia

berbasis Lexicon Based Sentiment Analysis
Muhammad Zidny Nafan1, Andika Elok Amalia2
1FakultasTeknologi Industri dan Informatika, Prodi Informatika, Institut Teknologi Telkom Purwokerto, Purwokerto,
Indonesia
2Fakultas Teknologi Industri dan Informatika, Prodi Rekayasa Perangkat Lunak, Institut Teknologi Telkom Purwokerto,

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

Laju Pertumbuhan Triwulanan (Persen)

Gambar 1. Laju pertumbuhan ekonomi Indonesia dari Q1 2017 - Q1 2019 [2]

Berdasarkan grafik pada Gambar 1 terlihat bahwa hampir pada setiap triwulan terjadi peningkatan pada
ekonomi Indonesia. Selain kedua data tersebut, Indonesia juga merupakan salah satu negara yang memiliki jumlah
terbesar masyarakat digital atau pengguna internet, berdasarkan informasi yang diberikan Asosiasi Penyelenggara
Jasa Internet Indonesia (APJII), terdapat 171 juta penduduk Indonesia yang terhubung ke internet atau sekitar
64,8% dari total penduduk Indonesia [3]. Dengan jumlah pengguna yang besar tersebut tentulah sebanding dengan
konten-konten yang ditulis oleh masyarakat melalui media sosial. Konten-konten tersebut dapat digunakan untuk
mengukur prosentase sentimen masyarakat baik positif maupun negatif. Oleh karena itu pada penelitian ini, penulis
hendak mengukur tingkat prosentase kecenderungan masyarakat terhadap ekonomi Indonesia yang mereka tulis
pada media sosial Twitter dari Januari 2017 sampai dengan Juli 2019.

Muhammad Zidny Nafan | http://ejurnal.stmik-budidarma.ac.id/index.php/mib | Page 268

JURNAL MEDIA INFORMATIKA BUDIDARMA, Vol 3, No 4, Oktober 2019
ISSN 2614-5278 (media cetak)
ISSN 2548-8368 (media online)
Hal 268-273 | DOI: 10.30865/mib.v3i4.1283
Metode yang digunakan penulis untuk mengukur prosentase sentimen masyarakat terhadap ekonomi
Indonesia adalah Sentiment Analysis dengan pendekatan Lexicon-based [4]. Pendekatan berbasis leksikon
(Lexicon-based) bergantung pada leksikon sentimen, yaitu kumpulan istilah sentimen yang diketahui dan
dikompilasi sebelumnya. Secara umum ada 2 sumber daya yang dapat digunakan pada analisis sentimen berbasis
leksikon, yaitu berbasis kamus dan berbasis corpus yang menggunakan metode statistik atau semantik untuk
menemukan polaritas sentimen [4]. Pada penelitian ini penulis menggunakan sumber daya kamus dengan cara
memanfaatkan library TextBlob pada Python yang mana telah menyediakan kamus yang berisi leksikon sentimen.
Penelitian mengenai penggunaan leksikon sentimen pada Sentiment Analysis telah dilakukan berbagai
peneliti dengan kasus yang berbeda-beda. Matulatuwa, dkk pada [5] menggunakan leksikon sentimen untuk
mengukur tanggapan masyarakat terhadap pelayanan PT. POS Indonesia. Pada [5] menggunakan kamus yang
berisi kata kunci untuk sentimen positif dan kata kunci sentimen negatif. Dari hasil penelitian tersebut didapatkan
informasi bahwa 31% masyarakat memberikan sentimen positif, 58% sentimen negatif, 10% sentimen netral, dan
1% sentimen nihil. Sutami pada [6] menggunakan leksikon sentimen untuk mengukur tanggapan masyarakat
terhadap produk iPhone5c dan iPhone5s dengan tingkat akurasi adalah 70,84%. Nilai ini lebih baik daripada
akurasi dari metode Naïve Bayes Classifier yang hanya memperoleh 43,48%. Penelitian lain yang dilakukan oleh
Kusumawati [7] memanfaatkan kamus leksikon sentimen yang disediakan di dalam SentiWordNet untuk
mengukur persepsi masyarakat terhadap isu kenaikan harga rokok yang ditulis melalui media social Twitter.
Kusumawati menggunakan 350 teks tweets dan memperoleh akurasi sebesar 85% untuk kelas netral, 58% untuk
kelas positif, dan 60% untuk kelas negatif.
Sehingga pada penelitian ini, penulis akan mencoba mengimplementasikan penggunaan Lexicon Based
Sentiment Analysis untuk melihat prosentase tanggapan masyarakat yang ditulis dalam Bahasa Indonesia di media
sosial Twitter untuk topik “ekonomi Indonesia” .

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.

Sentiment Feature Selection

Product reviews
Identification

Sentiment Polarity Sentiment Classification

Gambar 2. Tahapan-tahapan sentiment analysis [4]

Product reviews merupakan dataset yang berisi kumpulan review atau komentar-komentar terhadap suatu
entitas. Misalkan dalam debat politik, dapat diketahui pendapat orang tentang kandidat calon legislatif atau partai
politik tertentu. Hasil pemilu juga dapat diprediksi dari posisi politik. Situs jejaring sosial dan situs micro-blogging
dianggap sebagai sumber informasi yang sangat baik karena orang berbagi dan mendiskusikan pendapat mereka
tentang suatu topik tertentu secara bebas. Proses feature selection digunakan untuk memilih fitur-fitur yang
digunakan pada proses sentiment classification. Perangkat yang dapat digunakan pada feature selection
diantaranya: term frequency, part of speech tagging, kamus kata / frase yang mengandung opini, kata bernegasi
(contoh: not good yang menunjukkan makna bad) [4].
2.2 Lexicon Based Sentiment Analysis
Terdapat 3 pendekatan untuk tahap sentiment classification, yaitu penggunaan machine learning, sentiment
analysis berbasis leksikon (lexicon-based approach), dan hybrid approach yang menggabungkan machine
learning approach dan lexicon-based approach.
Pendekatan berbasis leksikon merupakan salah satu metode pada sentiment analysis yang memanfaatkan
kamus yang berisi daftar kata yang mengandung opini. Dimana setiap kata pada kamus tersebut telah memiliki
skor polaritas yang diberi nilai dari -1 (untuk kelas negatif) sampai dengan +1 (untuk kelas positif). Pada library
TextBlob developer dapat menggunakan property sentiment.polarity untuk melihat skor sentimen dari suatu kata
atau kalimat.

Muhammad Zidny Nafan | http://ejurnal.stmik-budidarma.ac.id/index.php/mib | Page 269

JURNAL MEDIA INFORMATIKA BUDIDARMA, Vol 3, No 4, Oktober 2019
ISSN 2614-5278 (media cetak)
ISSN 2548-8368 (media online)
Hal 268-273 | DOI: 10.30865/mib.v3i4.1283
Tabel 1. Contoh skor sentimen dari library TextBlob
No Kata/kalimat input Skor sentimen
1 “good” 0,7
2 “bad” -0,69
3 “he is not bad person” 0,349
4 “he is bad person” -0,69

3. ANALISA DAN PEMBAHASAN

3.1 Pengumpulan Data
Penulis mengumpulkan data dari Twitter melalui crawling dengan query yang digunakan adalah “ekonomi
Indonesia” dari tanggal 1 Januari 2017 hingga 28 Juni 2019. Penulis mendapatkan 792 tweets dengan 704 teks
unik yang selanjutnya disimpan dalam file csv. Terdapat 10 kolom yang didapatkan dari crawling tersebut, yaitu
['fullname', 'html', 'id', 'likes', 'replies', 'retweets', 'text', 'timestamp', 'url', 'user'].

Gambar 3. Contoh hasil crawling

Tabel 2. Contoh dataset yang digunakan
idx ... id ... text timestamp
0 946891353195126000 Presiden Sebut Denyut Nadi Ekonomi 29/12/2017 23:51
Indonesia Adalah Pasar Rakyat
http://dlvr.it/Q883s6 ‫@آ‬GarudaNewsIdpi
c.twitter.com/z7nWp5LPiU
1 946888581020237000 Gerakan membalik paradigma Ekonomi 29/12/2017 23:40
yang akan sejalan dengan gerakan
membalik paradigma politik di Indonesia
perlu... https://fb.me/D9HVawXq ‫آ‬
2 946887132391632000 Presiden Sebut Denyut Nadi Ekonomi 29/12/2017 23:34
Indonesia Adalah Pasar
http://garudanews.id/presiden-sebut-
denyut-nadi-ekonomi-indonesia-adalah-
pasar/ ‫آ‬…pic.twitter.com/B8g5Du3jCT
3 946885148364046000 Memang betul pertumbuhan ekonomi 29/12/2017 23:26
Indonesia masih salah satu yg terbaik.
… … …. …. ….. …..

Persebaran frekuensi 10 kata terbanyak setelah dilakukan penghilangan tanda baca dan angka ditunjukkan
pada Gambar 4.

Gambar 4. Grafik frekuensi 10 kata terbanyak

3.2 Tahapan Penelitian
Tahapan penelitian yang digunakan penulis ditunjukkan pada Gambar 5.

Muhammad Zidny Nafan | http://ejurnal.stmik-budidarma.ac.id/index.php/mib | Page 270

JURNAL MEDIA INFORMATIKA BUDIDARMA, Vol 3, No 4, Oktober 2019
ISSN 2614-5278 (media cetak)
ISSN 2548-8368 (media online)
Hal 268-273 | DOI: 10.30865/mib.v3i4.1283

Pengumpulan Data Preprocessing Extract Sentiment Visualization

Score

Gambar 5. Tahapan penelitian

Sebagaimana yang telah dijelaskan pada Subbab 3.1, penulis mengumpulkan data melakukan crawling
tweets dan didapatkan sejumlah 792 tweets. Kemudian penulis melakukan preprocessing pada seluruh teks
sehingga didapatkan teks yang bersih dari derau (noise). Penulis melakukan tokenization pada teks hasil
preprocessing untuk selanjutnya digunakan sebagai masukan pada modul “Extract Sentiment Score”. Modul ini
akan menghitung polaritas suatu teks apakah cenderung bersentimen positif, negatif, atau netral. Selanjutnya
penulis melakukan visualisasi terhadap teks hasil scoring tersebut dengan grafik piechart untuk menampilkan
prosentase positif, negatif, dan netral. Untuk penjelasan lebih lengkapnya terdapat pada subbab 3.2.1 sampai
dengan 3.2.3.
3.2.1 Preprocessing
Preprocessing adalah salah satu bagian terpenting dari proses analisis. Ini memformat ulang data yang tidak
terstruktur menjadi seragam, bentuk standar. Karakter, kata-kata, dan kalimat yang diidentifikasi pada tahap ini
adalah unit dasar yang diteruskan ke semua tahap pemrosesan lebih lanjut. Kualitas preprocessing memiliki
dampak besar pada hasil akhir dari seluruh proses [8].
Tahapan preprocessing yang digunakan penulis adalah sebagai berikut:
a. Case folding untuk menyeragamkan bentuk huruf pada teks menjadi huruf kecil (lower case).
b. Menghapus karakter newline (‘\n’) yang terdapat pada teks tweet.
c. Replace slangs.
d. Menghapus mention.
e. Menghapus hashtag.
f. Menghapus string URL.
g. Mengubah kata yang didahului dengan kata negasi dengan antonimnya untuk menghindari hilangnya makna
h. Menerjemahkan teks ke dalam Bahasa Inggris dengan library TextBlob.
i. Seleksi kata sifat, kata keterangan, kata benda, dan kata kerja.
Pada proses (c) di atas, penulis mengubah kata-kata yang penulisannya tidak baku (slang words) menjadi
penulisan yang baku. Misalkan penulisan “tdk” dirubah menjadi “tidak”, “guweh” menjadi “saya”, dan
sebagainya. Pada proses ini penulis menggunakan kamus yang didefinisikan secara hardcode berdasarkan
pengamatan penulis pada teks.
Proses (g) pada tahapan preprocessing diatas penulis gunakan untuk menghindari hilangnya makna. Contoh
dari kondisi ini adalah rangkaian kata “gak turun” dirubah menjadi “naik”. Pembangkitan antonym menggunakan
API kateglo.com. Daftar kata negasi yang berhasil diidentifikasi adalah sebagai berikut: “tidak”, “enggak”,
“nggak”, “ngga”, “engga”, “ndak”, “bukan”, “non”, “tak”, “gak”, “ga”, “gk”, “gag”, “tiada”, “kagak”, “kaga”,
“kurang”, “jangan”, “jgn”, “janganlah”, dan “g”.
Pada [9] disebutkan bahwa kata sifat (adjective / JJ), kata keterangan (adverb / RB), kata benda (noun /
NN), dan kata kerja (verb / VB) merupakan kelas kata yang banyak mengandung nilai sentiment. Sehingga pada
penelitian ini penulis menambahkan POS-Tagging (Part of Speech Tagging) untuk mendeteksi kelas kata pada
setiap kata yang tertulis dalam teks. POS-Tagging menggunakan library TextBlob.
Contoh perbandingan isi teks asli dengan teks hasil preprocessing ditunjukkan pada Tabel 3.
3.2.2 Extract Sentiment Score
Hasil preprocessing pada Subbab 3.2.1 tersebut adalah berupa kumpulan kata sifat, kata keterangan, kata benda,
dan kata kerja dalam Bahasa Inggris. Untuk setiap kata tersebut, penulis mengekstrak nilai sentimen-nya
menggunakan metode Lexicon Based. Dalam hal ini penulis memanfaatkan skor sentimen yang ada pada library
TextBlob. Penentuan batas ambang untuk label positif, negatif, dan netral ditunjukkan pada algoritma berikut:
def sentimentlabels(senscores):
labels = []
for score in senscores:
if(score > 0.1):
labels.append('positive')
elif(score < -0.05):
labels.append('negative')
else:
labels.append('netral')
return labels

Muhammad Zidny Nafan | http://ejurnal.stmik-budidarma.ac.id/index.php/mib | Page 271

JURNAL MEDIA INFORMATIKA BUDIDARMA, Vol 3, No 4, Oktober 2019
ISSN 2614-5278 (media cetak)
ISSN 2548-8368 (media online)
Hal 268-273 | DOI: 10.30865/mib.v3i4.1283

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
terpuruk,karena di era ini,rakyat
tertekan ekonomi nya,karena banyak
nya bank bank emok,yang memeras
keringat rakyat,di atas kelihatan
makmur indonesia tuh,tapi kenyataan
di bawah jauh lebih sengsara dari
pemerintahan suharto,
forward, your preacher's economy -0,4 negative
is getting worse because in this era
the people are depressed because of
the many emok bank banks that
sweat the people above look
prosperous Indonesia but the
reality below is far more miserable
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

Muhammad Zidny Nafan | http://ejurnal.stmik-budidarma.ac.id/index.php/mib | Page 272

JURNAL MEDIA INFORMATIKA BUDIDARMA, Vol 3, No 4, Oktober 2019
ISSN 2614-5278 (media cetak)
ISSN 2548-8368 (media online)
Hal 268-273 | DOI: 10.30865/mib.v3i4.1283
No Teks asli English Sentimen Sentimen
Score Label
48 Hahahhahahaha emang di arab atau hahahhahahaha really in arab or -0,8125 negative
di mana gitu, sajadahnya gak where is the prayer mat not as short
sependek sajadah Indonesia ya dhab? as Indonesian prayer rugs yes dhab
Ngakak euy. Standar ukuran space doesn't mean the standard size of
bis dan kereta ekonomi juga buruk the bus and train economy is also
dhab bad dhab

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.

Gambar 6. Prosentase kecenderungan tanggapan masyarakat terhadap ekonomi Indonesia

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.

Muhammad Zidny Nafan | http://ejurnal.stmik-budidarma.ac.id/index.php/mib | Page 273