1
Aspect-Based Sentiment Analysis Rencana
Pemindahan Ibu Kota Negara Menggunakan Naïve
Bayes Classifier dan Support Vector Machine
Daffa Jatmiko1, Isti Surjandari 2
Abstract— The role of the capital city is very vital, at this time
the government has again decided to move the capital city because
Jakarta is considered no longer suitable as the capital city of the
Republic of Indonesia. The relocation of Indonesia's capital city in
fact invites many pro and contra opinions among the public and
this response is interesting to study, namely how the public views
this government policy which also describes the level of trust in
the government. Therefore, sentiment analysis is needed with a
machine learning-based classifier that is accurate and determines
the best algorithm. Data in the form of tweets is collected by web
scraping and pre-processed which produces data labels in the
form of polarity and identified categories/aspects. Machine
Learning model with Naive Bayes algorithm and Support Vector
Machine is then used in the classification of binary class polarity
with n-gram features (word order) and heuristic optimization,
namely Hyperparameter Tuning. From the combination of
features and optimization treatment, the MCC value as an
evaluation metric was compared and it was found that Naive
Bayes outperformed the Support Vector Machine in classifying
public opinion on Twitter social media, especially regarding the
relocation of the capital city.
Intisari— Peranan ibu kota sangatlah vital, saat ini pemerintah
kembali memutuskan pemindahan ibu kota karena Jakarta
dianggap sudah tidak layak lagi menjadi ibu kota negara
Republik Indonesia. Pemindahan ibu kota Indonesia nyatanya
mengundang banyaknya opini pro dan kontra di kalangan
masyarakat dan respon ini menarik untuk diteliti yaitu
bagaimana pandangan masyarakat terhadap kebijakan
pemerintah ini yang juga menggambarkan tingkat kepercayaan
kepada pemerintah. Oleh karena itu, diperlukan sentiment
analysis dengan classifier berbasis machine learning yang akurat
dan menentukan algoritma yang terbaik. Data berupa tweets
dikumpulkan dengan web scraping dan dilakukan pra-
pemrosesan yang menghasilkan label data berupa polaritas dan
kategori/aspek yang teridentifikasi. Model Machine Learning
dengan algoritma Naive Bayes dan Support Vector Machine
kemudian digunakan dalam klasifikasi polaritas kelas biner
dengan fitur n-gram (urutan kata) dan optimasi heuristik yaitu
Hyperparameter Tuning. Dari kombinasi fitur dan perlakuan
optimasi, nilai MCC sebagai metrik evaluasi dibandingkan dan
ditemukan bahwa Naive Bayes mengungguli Support Vector
Machine dalam mengklasifikasi opini publik di media sosial
Twitter khususnya mengenai pemindahan ibu kota.
Kata Kunci— sentiment analysis, opinion mining, social media,
Nave Bayes, Support Vector Machine
I. PENDAHULUAN
Berkaitan dengan kebijakan Pemerintah mengenai
pemindahan Ibukota ke Kalimantan Timur, banyak masyarakat
menunjukkan sikap setuju. Banyak faktor yang mendasari sikap
setuju dari mayoritas, terutama faktor yang terkait dengan
Daffa Jatmiko: Aspect-Based Sentiment Analysis…
pemerataan di Indonesia dimana di Indonesia belum
sepenuhnya merata terutama pembangunan dan pemerataan
baik dari segi ekonomi maupun infrastruktur sarana prasarana
yang ada di daerah-daerah tertinggal, terdepan dan terluar di
Indonesia. Tidak dapat dipungkiri bahwa juga ada masyarakat
yang kontra terhadap pemindahan Ibukota ke Kalimantan
Timur. Ada yang menganggap bahwa persiapannya belum
matang. Hal ini terjadi karena pemerintah dirasa kurang terbuka
terhadap opini masyarakat, sehingga membawa kesan bahwa
pemerintah belum siap terhadap pemindahan ibu kota. Selain
itu juga dengan banyaknya masalah di bidang ekonomi,
pendidikan, sosial budaya serta masalah lainnya yang belum
teratasi. Hal-hal tersebut dapat menggiring opini masyarakat
bahwasannya pemerintah gegabah dalam pengambilan
kebijakan pemindahan ibu kota. Dengan timbulnya opini pro
dan kontra yang beragam dari masyarakat, rencana pemindahan
ibu kota ini menjadi kasus yang menarik untuk diteliti tidak
hanya kecenderungannya melainkan juga pandangan mereka
terhadap kebijakan pemerintah. Harapannya adalah kebijakan
yang dilakukan pemerintah dapat sejalan dengan aspirasi
masyarakat dan pemerintah mampu mempersiapkannya dengan
matang di berbagai aspek.
Timbulnya opini pro dan kontra masyarakat juga dapat
mempengaruhi tingkat kepercayaan masyarakat terhadap
pemerintah dan dapat menjadi umpan balik yang berguna bagi
pemerintah untuk mempertimbangkan segala aspek dalam
kebijakan berikutnya. Oleh karena itu, diperlukan sentiment
analysis atau opinion mining yang akurat yang juga berarti
memerlukan classifier berbasis machine learning dengan nilai
akurasi yang tinggi sehingga rumusan masalah yang diangkat
pada penelitian ini adalah “Apa algoritma Machine Learning
terbaik untuk Opinion mining dalam menganalisis dan
mengklasifikasikan opini masyarakat khususnya pengguna
Twitter mengenai rencana pemindahan ibu kota negara?”.
Tujuan yang ingin dicapai dari penelitian ini untuk melakukan
perbandingan dan menentukan model classifier terbaik pada
analisis sentimen untuk mengklasifikasikan opini positif dan
negatif publik tentang wacana relokasi atau pemindahan ibu
kota negara (IKN) dalam media sosial Twitter menggunakan
Naive bayes, Support Vector Machine.
II. TINJAUAN TEORITIS
A. Naïve Bayes
Dengan menggunakan teorema Bayes, dapat ditulis
p(C)p(F1 ,…,Fn |C)
p(C|F1 , … , Fn ) = . Dalam bahasa Inggris
p(F1 ,…,Fn )
sederhana persamaan di atas dapat ditulis sebagai
𝑝𝑟𝑖𝑜𝑟×𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑
𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = . Dalam prakteknya hanya
𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
2
difokuskan pada pembilang dari pecahan tersebut, karena
penyebutnya tidak bergantung pada C dan nilai fitur Fi
diberikan, sehingga penyebutnya konstan secara efektif.
Pembilangnya setara dengan model probabilitas gabungan
p(C, F1 , … , Fn )
Sekarang asumsi independensi bersyarat “naif” mulai
berlaku: asumsikan bahwa setiap fitur ndependent
bersyarat dari setiap fitur lainnya untuk. Ini berarti bahwa

𝑝(𝐹𝑖 |𝐶, 𝐹𝑗 ) = 𝑝(𝐹𝑖 |𝐶)

Untuk 𝑖 ≠ 𝑗, sehingga model gabungan dapat Gambar. 1 Hyperplane pemisah margin-maksimum keras
dinyatakan sebagai Secara matematis, diberikan satu set poin 𝑥𝑖 yang termasuk
𝑝(𝐶, 𝐹1 , … , 𝐹𝑛 ) = 𝑝(𝐶) 𝑝(𝐹1 |𝐶) 𝑝(𝐹2 |𝐶) 𝑝(𝐹3 |𝐶) … dalam dua kelas yang dapat dipisahkan secara linier 𝜔1 , 𝜔2 ,
|𝑔(𝑥)|
𝑛 jarak setiap instance dari hyperplane sama dengan ‖𝑤‖ . SVM
= 𝑝(𝐶) ∏ 𝑝(𝐹𝑖 |𝐶) bertujuan untuk menemukan w, b, sehingga nilai 𝑔(𝑥) sama
𝑖=1 dengan 1 untuk titik data terdekat milik kelas 𝜔1 dan -1 untuk
yang terdekat dari 𝜔2 . Ini dapat dilihat sebagai memiliki
Ini berarti bahwa di bawah asumsi independensi di atas, margin
distribusi bersyarat atas ndepend kelas C dapat 1 1 2
dinyatakan seperti ini: + =
‖𝑤‖ ‖𝑤‖ ‖𝑤‖
𝑛 sedangkan 𝑤 𝑇 𝑥 + 𝑏 = 1 untuk x ∈ 𝜔1 , dan 𝑤 𝑇 𝑥 + 𝑏 = −1
1
𝑝(𝐶|𝐹1 , … , 𝐹𝑛 ) = 𝑝(𝐶) ∏ 𝑝(𝐹𝑖 |𝐶) untuk x ∈ 𝜔2 .
𝑍 Hal ini menyebabkan masalah optimasi yang meminimalkan
𝑖=1
fungsi tujuan
di mana Z (bukti) adalah ndepe penskalaan yang 1
hanya bergantung pada 𝐹1 , … , 𝐹𝑛 , 𝑖. 𝑒., sebuah konstanta 𝐽(𝑤) = ‖𝑤‖2
2
jika nilai ndepend fitur diketahui. subject pada constraint
Diskusi sejauh ini telah menurunkan model fitur 𝑦𝑖 (𝑤𝑖𝑇 𝑥 + 𝑏) ≥ 1, 𝑖 = 1,2, … , 𝑁
ndependent, yaitu model probabilitas naif Bayes. Ketika masalah optimasi-apakah minimalisasi atau
Pengklasifikasi naif Bayes menggabungkan model ini maksimalisasi-memiliki kendala dalam variabel yang
dengan aturan keputusan. Satu aturan umum adalah dioptimalkan, fungsi biaya atau kesalahan ditambah dengan
memilih hipotesis yang paling mungkin; ini dikenal menambahkan kendala, dikalikan dengan pengali Lagrange.
sebagai aturan keputusan a posteriori atau MAP Fungsi Lagrangian untuk SVM dibentuk dengan menambah
maksimum. Pengklasifikasi yang sesuai adalah fungsi fungsi tujuan dengan jumlah terbobot dari kendala,
𝑁
classify yang didefinisikan sebagai berikut: 1
ℒ(𝑤, 𝑏, 𝜆) = 𝑤 𝑇 𝑤 − ∑ 𝜆𝑖 [𝑦𝑖 (𝑤 𝑇 𝑥𝑖 + 𝑏) − 1]
2
𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑦(𝑓1 , … , 𝑓𝑛 ) = 𝑎𝑟𝑔𝑚𝑎𝑥 𝑝(𝐶 𝑖=1
𝑛 di mana w dan B disebut variabel primal, dan 𝜆𝑖 pengali
= 𝑐) ∏ 𝑝(𝐹𝑖 = 𝑓𝑖 |𝐶 = 𝑐) Lagrange.
𝑖=1 Dengan adanya kendala pertidaksamaan,Karush-Kuhn-Tucker
(KKT) kondisi menggeneralisasi pengali Lagrange.
B. Support Vector Machine KKT syaratnya adalah:
Teknik SVM adalah pengklasifikasi yang 1. Kendala utama
menemukan hyperplane atau fungsi 𝑔(𝑥) = 𝑤 𝑇 𝑥 + 𝑏 −[𝑦𝑖 (𝑤 𝑇 𝑥𝑖 + 𝑏) − 1] ≤ 0 ∀𝑖 = 1, … , 𝑁
yang dengan benar memisahkan dua kelas dengan 2. Kendala ganda
margin maksimum. 𝜆𝑖 ≥ 0 ∀𝑖 = 1, … , 𝑁
3. Kelambanan komplementaritas
𝜆𝑖 [𝑦𝑖 (𝑤 𝑇 𝑥𝑖 + 𝑏) − 1] = 0 ∀𝑖 = 1, … , 𝑁
4. Gradien Lagrangian (nol, sehubungan dengan
variabel primal)
𝑤 − ∑𝑁𝑖=1 𝜆𝑖 𝑦𝑖 𝑥𝑖
∇ℒ(𝑤, 𝑏, 𝜆) = [ 𝑁 ]=0
− ∑𝑖=1 𝜆𝑖 𝑦𝑖
Berdasarkan kondisi KKT,

Daffa Jatmiko: Aspect-Based Sentiment Analysis…

 3
𝑁
B. Identifikasi aspek
𝑤 = ∑ 𝜆𝑖 𝑦𝑖 𝑥𝑖 Kategori aspek (misalnya, makanan, harga)
𝑖=1 mengidentifikasi fitur yang lebih kasar daripada istilah aspek,
𝑁
dan mereka tidak selalu muncul sebagai istilah dalam kalimat
∑ 𝜆𝑖 𝑦𝑖 = 0 tertentu. Dalam contoh topik pemindahan IKN di atas, presiden,
𝑖=1 menteri, dan pemerintah yang mengacu pada kategori aspek
Masalah ganda optimasi SVM adalah menemukan “Pelaksanaan atau Implementasi IKN” karena pada konteks
𝑁
1 tweets di atas dijelaskan bahwa entitas-entitas tersebut yang
𝑚𝑎𝑥 (∑ 𝜆𝑖 − ∑ 𝜆𝑖 𝜆𝑗 𝑦𝑖 𝑦𝑗 𝑥𝑖 𝑥𝑗 ) turun tangan dalam pengerjaan dan pelaksanaan pemindahan
2
𝑖=1 𝑖,𝑗 IKN (tidak disebutkan secara eksplisit atau langsung melainkan
Subject pada implisit)..
𝑁
Terdapat pula banyak tweets yang langsung disebutkan
∑ 𝜆𝑖 𝑦𝑖 = 0 secara jelas seperti Kalimantan, Samarinda, dll yang merujuk
𝑖=1 pada pemilihan lokasi Ibu Kota baru sehingga masuk ke dalam
𝜆𝑖 ≥ 0 ∀𝑖 aspek “Lokasi”. Ada pula beberapa Istilah yang memiliki arti
yang sama seperti rakyat, penduduk, dan warga dimana
meskipun terdapat sedikit perbedaan pada definisinya namun
III. METODE PENELITIAN berdasarkan konteks mengacu pada entitas yang sama sehingga
Alur penelitian ini terdiri dari 7 tahap yaitu Inisiasi masuk ke dalam kategori aspek “Sosial”.
Penelitian (Research Initiation) yang dimulai dari proses TABEL 2
identifikasi masalah hingga proses studi literatur mengenai DAFTAR 7 ASPEK PEMINDAHAN IKN BERSERTA KATA KUNCINYA
opinion mining dan pemindahan IKN. Kemudian tahap
Aspek
Pemrosesan Data (Data Processing) yang dimulai dari proses Pelaksanaan Lokasi Pengelola Pembangunan
pengumpulan data hingga proses filtering. Berikutnya adalah IKN IKN Infrastruktur
tahap Aspect Identification yang dilanjutkan dengan Feature lain
Generation yaitu aplikasi N-Grams. Dua tahap terakhir adalah Jokowi Dki Jakarta Ahok Train
Classifier Building dengan Naïve Bayes dan Support Vector government East candidates Project
Machine dengan optimasi metaheuristik yaitu Hyperparameter kalimantan
Tuning (Hyperparameter Optimization) dan Evaluation dengan Minister Kalimantan Leader of Airport
Confusion Matrix yang mengukur precision, recall, accuracy, new
dan specificity dan juga Matthews Correlation Coefficient capital
(MCC). RUU Bekasi Chief Construction
ikn Bandung Authority Infrastructure
A. Pra-pemrosesan data Ikn law Samarinda
Seluruh dokumen harus dalam Times New Roman atau progress
relocation
Times font. Font tipe 3 tidak boleh digunakan. Jenis font lain
dapat digunakan jika diperlukan untuk tujuan khusus.
Aspek
Fitur ukuran font dapat dilihat pada Tabel 1.
Ekonomi Sosial Lingkung
TABEL 1 an
TAHAP PRA-PEMROSESAN money people habitat
No. Fase locals komodo
budget dragon
1 Pengumpulan Data, web scraping dengan Bahasa
pemrograman Python melalui Twitter Developer citizen komodo
debt island
Platform (Twitter API).
2 Penerjemahan Data, proses menerjemahkan tweets demonstrati orang utan
benefit on
menjadi Bahasa Inggris
3 Penghilangan Duplikasi, Menghapus contoh duplikat pay students Forest
sehingga hanya satu dari semua contoh duplikat yang cost
disimpan. funds
4 Penghapusan Ekspresi Reguler, mengganti ekspresi investment
regular menjadi dihilangkan
pertamina
5 Pelabelan Polaritas, Teks yang disediakan dianalisis
untuk menentukan apakah teks tersebut
garuda
mengekspresikan sentimen positif/negatif/netral. bumn
Karena algoritma SVM dipakai, maka dibutuhkan state-owned
polaritas yang biner sehingga difilter Kemba.i enterprises
menjadi hanya polaritas positif dan negative.

Daffa Jatmiko: Aspect-Based Sentiment Analysis…

4
E. Evaluasi k-fold cross validation
ASPECTS PERCENTAGE Terdapat 4 model yang akan di evaluasi yaitu : Naïve Bayes,
Social Economy Optimized Naïve Bayes, Support Vector Machine, dan
Other 12% 16% Optimized Support Vector Machine. Confusion matrix, kriteria
infrastructure
development
performa model akan dipaparkan lebih lanjut pada analisis hasil
Environmen…
9% penelitian. Evaluasi semua model dilakukan dengan 10-fold
validation sehingga tidak diperlukannya data testing dan
Location training ataupun split dalam data.
9%
IV. HASIL PENELITIAN DAN PEMBAHASAN
IKN Analisis terakhir pada penelitian ini adalah perbandingan
IKN implementation antara semua model klasifikasi yang telah dikembangkan.
manager 36%
16%
Tabel 5. memuat semua nilai evaluasi performa dari model.
Menariknya, baik NB dan SVM yang dioptimalkan
Gambar. 2 Persentase 7 Aspek dalam data tweets mengungguli pengklasifikasi default mereka sendiri. NB
default belum dapat menangani tugas klasifikasi dengan baik
C. Generasi fitur N-grams
dengan akurasi dan MCC berturut-turut sebesar 61,76% dan 10%
Metode untuk memeriksa 'n' kata atau suara terus menerus pada model unigram, 59,76% dan 11% pada model bigram, dan
dari urutan teks atau ucapan yang diberikan. Model ini 67,20% dan 26% pada model trigram. Sementara itu, hasil NB
membantu untuk memprediksi item berikutnya secara yang dioptimalkan menghasilkan kinerja yang hanya sedikit
berurutan. Dalam analisis sentimen, model n-gram membantu lebih baik (tidak signifikan) jika dibandingkan dengan NB
menganalisis sentimen dari teks atau dokumen. Digunakan default perbedaan akurasi sebesar 2,33% pada model unigram,
operator Generate n-grams yang membuat semua kemungkinan 5,88% pada model bigram, dan 1,21% pada model trigram.
n-Gram dari setiap token dalam dokumen.
TABEL 5
D. Pembangunan model klasifikasi TAHAP PEMROSESAN TWEETS SEBELUM MODEL KLASIFIKASI ML

Setelah tweets diidentifikasi ke dalam beberapa aspek dan Model Klasifikasi

Kriteria
dibagi menjadi beberapa urutan teks, tweets kemudian diproses Default Optimized Default Optimized
Evaluasi
terlebih dahulu melalui beberapa tahap sebelum dioptimasi NB NB SVM SVM
parameternya (Hyperparameter Tuning). Setelah tweets akan Unigram
masuk ke dalam model klasifikasi Machine Learning. Tabel 3 Accuracy 61.76% 64.09% 62.69% 62.85%
Precision 64.91% 66.80% 62.69% 62.91%
mendeskripsikan proses model klasifikasi ML dan table 4
Sensitivity 84.94% 84.94% 100.00% 99.26%
menjelaskan parameter yang digunakan untuk masing-masing
Specificity 22.82% 29.05% 0.00% 1.66%
algoritma.
MCC 10% 17% 0% 4%
TABEL 3 Bigram
TAHAP PEMROSESAN TWEETS SEBELUM MODEL KLASIFIKASI ML Accuracy 59.76% 65.64% 61.94% 58.21%
No. Fase Precision 66.08% 66.91% 66.13% 69.12%
1 Case folding, konversi semua karakter dalam Sensitivity 73.58% 89.38% 80.49% 60.25%
dokumen menjadi huruf kecil semua Specificity 36.51% 25.73% 30.71% 54.77%
2 Tokenization, mengubah teks menjadi token sebelum MCC 11% 20% 13% 15%
mengubahnya menjadi vektor Trigram
3 Filter stopwords, menghilangkan kata-kata umum Accuracy 67.20% 68.41% 64.56% 66.10%
yang tidak memiliki makna atau informasi yang Precision 69.57% 69.82% 65.44% 73.02%
dibutuhkan (Ling et al. 2014) Sensitivity 84.69% 87.41% 92.10% 72.84%
4 Stemming, menghilangkan akhiran kata dan Specificity 37.76% 36.51% 18.26% 54.77%
membawanya ke kata dasar MCC 26% 28% 16% 28%
TABEL 4
PARAMETER NAÏVE BAYES DAN SUPPORT VECTOR MACHINE YANG Sama seperti sedikit perbaikan dari standar ke
DIOPTIMASI dioptimalkan dalam kinerja NB, Hyperparameter tuning
(Parameter optimization) hanya meningkatkan beberapa
Algoritma Parameter Grid/range
kinerja SVM menjadi sedikit lebih baik (tidak signifikan).
Number of 1-10
Naïve Bayes kernels Peningkatan akurasi dan MCC dalam SVM masing-masing
Bandwidth 0,1-0,5 sebesar 0,16% dan 4,29% pada model unigram, penurunan
Support C 0,1-100 akurasi sebesar 3,73% dan peningkatan MCC sebesar 1,85%
Vector 0,0001-10 pada model bigram, dan peningkatan sebesar 1,54% dan 12%
Gamma pada model trigram. Tanpa optimasi, dapat dikatakan SVM
Machine
masih dapat menjalankan tugas klasifikasinya meskipun
dengan nilai presisi dan specificity yang lebih kecil. Dengan

Daffa Jatmiko: Aspect-Based Sentiment Analysis…


nilai MCC sebesar 16%, dapat disimpulkan bahwa model ini
bukan definisi klasifier yang bagus dan bahkan hanya mencapai
28% setelah teroptimasi. Pada kasus ini, NB terbukti lebih baik
dari SVM ketika dioptimalkan meskipun dengan perbedaan
yang sangat kecil (perbedaan akurasi hanya 2,31% dan 0%
perbedaan MCC), yang menjadikan NB sebagai pengklasifikasi
terbaik dalam penelitian ini.
30% 28% 28%
26%
25%
20%
20% 17%
15% 16%
15% 13%
10%11%
10%
4%
5%
0%
0%
Optimized NB Optimized Default NB Default SVM
SVM
MCC Unigram MCC Bigram MCC Trigram
Gambar. 3 Peringkat Performa Model Berdasarkan Nilai MCC
MCC digunakan sebagai kriteria utama untuk menentukan
peringkat pengklasifikasi pada gambar 4.13. Pengklasifikasi
terbaik dalam penelitian ini adalah NB trigram teroptimasi
diikuti oleh SVM trigram teroptimasi, kemudian NB Default
trigram, dan terakhir, SVM default trigram.
V. KESIMPULAN
Penelitian ini juga berfungsi sebagai studi perbandingan
antara dua metode dan perlakuan penyetelan parameter
optimasi yang diberikan kepada masing-masing metode.
Bertentangan dengan penelitian Kristiyanti et al pada tahun
2020 dan Hakim et al pada 2021, penelitian ini menemukan
bahwa NB terbukti mengungguli SVM jika penyetelan
parameter optimasi dilakukan sebelum proses pembelajaran
terjadi. Jika tidak ada proses optimasi yang dilakukan,
penelitian ini tetap sejalan dengan banyak penelitian serupa
dimana Naïve Bayes menjadi pilihan model klasifikasi terbaik
karena kecepetan belajar dengan fitur berdimensi tinggi pada
data training yang terbatas.
Optimize parameters terbukti mampu meningkatkan
performa model klasifikasi dengan waktu komputasi yang
cukup singkat. Peningkatan pada NB tergolong tidak signifikan
namun mampu menunjukkan bahwa algoritme NB dapat
memberikan hasil yang lebih memuaskan jika parameter yang
digunakan sesuai dan tepat. Dari penelitian ini, didapatkan 4
pengklasifikasi walaupun tidak cukup baik yaitu NB
teroptimasi, SVM teroptimasi, NB default, dan SVM default
dengan ketiga model pertama bekerja lebih baik dibandingkan
model SVM default yang hampir tidak mampu untuk
melakukan tugas klasifikasi sentiment analysis.
VI. SARAN
Daffa Jatmiko: Aspect-Based Sentiment Analysis…
5
Studi dapat ditingkatkan di masa depan dengan
menambahkan lebih banyak pengklasifikasi antara lain :
random forest, decision tree, dan k-nearest neighbors serta
perlakuan optimasi yang lebih beragam dan tepat. Penambahan
pengklasifikasi ini diharapkan dapat memberikan wawasan
baru mengenai hasil dan karakteristik model yang dihasilkan
karena tidak menutup kemungkinan algoritme pengklasifikasi
selain NB maupun SVM dapat menghasilkan performa yang
lebih baik serta dengan perlakuan optimasi lainnya yang
memungkinkan model untuk bekerja lebih baik lagi dari
sebelumnya sehingga direkomendasikan untuk penelitian
mendatang. Selain itu, dengan meningkatnya jumlah pengguna
media social seperti Twitter, studi lebih lanjut diharapkan dapat
menemukan lebih banyak teknik dan cara memproses data teks
sentiment analysis yang tepat dan dapat digunakan jika bahasa
pada data bukanlah Bahasa standar yaitu Bahasa Inggris yang
sudah tersedia pada korpus untuk proses pembelajaran model
yang akurat sehingga performa model dapat terus meningkat.
UCAPAN TERIMA KASIH
Judul untuk ucapan terima kasih dan referensi tidak diberi
nomor. Terima kasih disampaikan kepada Tim TEKNOSI yang
telah meluangkan waktu untuk membuat template ini.
REFERENSI
[1] Arslan, M. (2014). The significance of shifting capital of KAZAKSTAN
from ALMATY TO ASTANA: An EVALUTION on the basis of
geopolitical and Demographic Developments. Procedia - Social and
Behavioral Sciences, 120, 98–109.
https://doi.org/10.1016/j.sbspro.2014.02.086
[2] Amrani, Y. A., Lazaar, M., & Kadiri, K. E. (2018). A novel hybrid
classification approach for sentiment analysis of text document.
International Journal of Electrical and Computer Engineering (IJECE),
8(6), 4554–4567. https://doi.org/10.11591/ijece.v8i6.pp4554-4567
[3] Carley, K. M., Malik, M., Kowalchuck, M., Pfeffer, J., & Landwehr, P.
(2015). Twitter usage in Indonesia. SSRN Electronic Journal.
https://doi.org/10.2139/ssrn.2720332
[4] Hamdan, H., Bellot, P., & Bechet, F. (2015). Lsislif: CRF and
logistic regression for Opinion target extraction and Sentiment
POLARITY ANALYSIS. Proceedings of the 9th International
Workshop on Semantic Evaluation (SemEval 2015), 753–758.
https://doi.org/10.18653/v1/s15-2128
[5] Kelly, J. (2020). The city Sprouted: The rise of BRASÍLIA.
http://www.jstor.org/stable/10.2307/26924964?refreqid=search-
gateway.
[6] Logan, D. (2013, October 20). Myanmar's Phantom capital. The
Globalist. https://www.theglobalist.com/myanmars-phantom-capital/.
[7] Luo, P., Kang, S., Apip, Zhou, M., Lyu, J., Aisyah, S., Binaya, M.,
Regmi, R. K., & Nover, D. (2019). Water quality trend assessment in
Jakarta: A rapidly growing Asian megacity. PLOS ONE, 14(7).
https://doi.org/10.1371/journal.pone.0219009
[8] Maitra, S., Madan, S., Kandwal, R., & Mahajan, P. (2018). Mining
authentic student feedback for faculty using naïve Bayes classifier.
Procedia Computer Science, 132, 1171–1183.
https://doi.org/10.1016/j.procs.2018.05.032
[9] Narayanan, V., Arora, I., & Bhatia, A. (2013). Fast and accurate
sentiment classification using an enhanced naive bayes model.
Intelligent Data Engineering and Automated Learning – IDEAL 2013,
194–201. https://doi.org/10.1007/978-3-642-41278-3_24
[10] Ni, P., Kamiya, M., & Ding, R. (2018). Cities network along the
Silk road: The global Urban competitiveness report 2017. SPRINGER.
[11] Pak, A., & Paroubek, P. (2010). Twitter as a Corpus for Sentiment
Analysis and Opinion mining . Proceedings of the Seventh International
Conference on Language Resources and Evaluation (LREC'10).
[12] Park, C. W., & Seo, D. R. (2018). Sentiment analysis of twitter corpus
related to artificial intelligence assistants. 2018 5th International
6
Conference on Industrial Engineering and Applications (ICIEA).
https://doi.org/10.1109/iea.2018.8387151
[13] Putri, R. F., Wibirama, S., Sukamdi, & Giyarsih, S. R. (2018).
Population condition analysis of jakarta land deformation area. IOP
Conference Series: Earth and Environmental Science, 148, 012007.
https://doi.org/10.1088/1755-1315/148/1/012007
[14] Reva, D. (2017, May 9). Capital City Relocation and National Security:
The Cases of Nigeria and Kazakhstan. UPSpace.
http://hdl.handle.net/2263/60413.
[15] Siegel, F. R. (2020). Coastal city flooding. In Adaptations of coastal
cities to global warming, sea level rise, climate change and endemic
hazards (pp. 27–34). essay, Springer.
[16] Sutoyo, E., & Almaarif, A. (2020). Educational Data Mining for
Predicting Student Graduation Using the Naïve Bayes Classifier
Algorithm. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi),
4(1), 95–101. https://doi.org/10.29207/resti.v4i1.1502
[17] Bayhaqy, A., Sfenrianto, S., Nainggolan, K., & Kaburuan, E. R.
(2018). Sentiment analysis about e-commerce from tweets using
decision tree, K-nearest neighbor, and Naïve Bayes. 2018 International
Conference on Orange Technologies (ICOT).
https://doi.org/10.1109/icot.2018.8705796
[18] Fitri, V. A., Andreswari, R., & Hasibuan, M. A. (2019). Sentiment
analysis of social media Twitter with case of anti-LGBT campaign in
Indonesia using naïve Bayes, decision tree, and Random Forest
algorithm. Procedia Computer Science, 161, 765–772.
https://doi.org/10.1016/j.procs.2019.11.181
[19] Guia, M., Silva, R., & Bernardino, J. (2019). Comparison of naïve
Bayes, support Vector Machine, decision trees and random forest on
sentiment analysis. Proceedings of the 11th International Joint
Conference on Knowledge Discovery, Knowledge Engineering and
Knowledge Management. https://doi.org/10.5220/0008364105250531
[20] Hakim, S. N., Putra, A. J., & Khasanah, A. U. (2021). Sentiment
analysis on myindihome user reviews using support vector machine and
naïve Bayes classifier method. International Journal of Industrial
Optimization, 2(2), 151. https://doi.org/10.12928/ijio.v2i2.4437
[21] Joachims, T. (1998). Text categorization with support Vector
MACHINES: Learning with many relevant features. Machine Learning:
ECML-98, 137–142. https://doi.org/10.1007/bfb0026683
[22] Kristiyanti, D. A., Putri, D. A., Indrayuni, E., Nurhadi, A., & Umam,
A. H. (2020). E-wallet sentiment analysis using naïve Bayes and Support
Vector Machine algorithm. Journal of Physics: Conference Series, 1641,
012079. https://doi.org/10.1088/1742-6596/1641/1/012079
[23] Neogi, A. S., Garg, K. A., Mishra, R. K., & Dwivedi, Y. K. (2021).
Sentiment analysis and classification of Indian Farmers’ protest using
Twitter data. International Journal of Information Management Data
Insights, 1(2), 100019. https://doi.org/10.1016/j.jjimei.2021.100019

Daffa Jatmiko: Aspect-Based Sentiment Analysis…