BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Text mining adalah suatu proses dimana pola informasi dan pengetahuan
yang sebelumnya tidak diketahui diekstraksi dari sejumlah besar sumber data
yang berupa teks. Jenis masukan yang digunakan dalam penambangan teks ini
disebut sebagai data tak terstruktur, yang membedakannya dengan penambangan
data yang menggunakan data terstruktur atau basis data sebagai masukan.
Penambangan teks dapat dipandang sebagai proses dua tahap yang pertama-tama
melibatkan penerapan struktur pada sumber data teks, dan kemudian dilanjutkan
dengan ekstraksi informasi dan pengetahuan yang relevan dari data teks
terstruktur ini menggunakan teknik dan alat yang sama dengan penambangan data.
Beberapa proses umum yang dilakukan dalam penambangan teks meliputi
perangkuman otomatis, kategorisasi dokumen, dan lain sebagainya [1].
Sentimen masyarakat adalah ekspresi sikap, pendapat, dan perasaan umum
yang dimiliki oleh individu-individu dalam suatu komunitas terhadap isu,
peristiwa, atau objek tertentu. Sentimen ini mencerminkan pandangan yang dapat
berupa positif, negatif, atau netral terhadap topik yang dibahas, dan memberikan
wawasan tentang persepsi dan kecenderungan umum yang ada dalam masyarakat
terkait hal tersebut. Analisis sentimen masyarakat memiliki kepentingan yang
signifikan karena dapat memberikan pemahaman yang lebih baik tentang
pandangan dan opini yang tersebar di masyarakat terkait isu-isu yang relevan.
Informasi ini sangat berharga dalam mengarahkan kebijakan publik,
mengidentifikasi tren sosial, merancang kampanye pemasaran yang efektif, dan
memahami preferensi konsumen [2].
Twitter merupakan platform yang cocok untuk berbagi ide, menyimpan
gagasan, mengumpulkan informasi, menginspirasi pikiran, atau melihat aktivitas
teman. Sebagai salah satu situs microblogging, Twitter telah mengalami banyak
perkembangan, dan pada 21 Maret 2016, Twitter merayakan ulang tahunnya yang
ke-10. Platform media sosial ini memiliki pengguna bulanan sebanyak 332 juta
secara global, dengan 500 juta kicauan yang dikirimkan setiap hari dan total 200
miliar kicauan dalam setahun. Banyak pengguna Twitter yang menggunakan
platform ini untuk mengekspresikan pendapat mereka terkait produk, layanan, isu
politik, atau hal-hal yang sedang viral [3].
Indonesia merupakan pengguna media sosial dengan jumlah yang sangat
besar.sehingga aktivitas-aktivitas bersosial media sangat banyak dilakukan oleh
masyarakat. larangan import pakaian bekas ke indonesia saat ini menjadi topik
yang banyak dibicarakan dan masyarakat sering kali beropini dan di publikasikan
di media sosial seperti twitter.dari banyaknya opini, maka dapat menimbulkan
masalah seperti perbedaan pendapat.
Untuk mengatasi permasalahan diatas, maka perlu dilakukan klasifikasi
teks. Untuk dapat mengklasifikasi sebuah teks, diperlukan analisis sentiment
berupa sentiment positif dan negatif. Dengan tujuan memudahkan mengetahui
hasil akhir sentiment dengan presentasi tertinggi.
Penelitian sebelumnya dilakukan oleh Adhi Viky Sudiantoro dan Eri
Zuliarso pada (Prosiding SINTAK 2018 ISBN: 978-602-8557-20-7) dengan Judul
“Penerapan Algoritma Text Mining Dengan Algoritma Naïve Bayes Classifier
Pada Analisis Sentimen Twitter”. Menyatakan Hasil dari 100 data uji yang
klasifikasi menghasilkan 32 data bersentimen positif dan sebanyak 68 data
sentimen negatif. Dapat diartikan bahwa 100 data uji yang diklasifikasi masuk
dalam kategori bersentimen negatif dikarenakan data positif lebih kecil dari pada
data yang bersentimen negatif. Adapun nilai akurasi algoritma Naïve Bayes
Classifier memberikan nilai akurasi sebesar 84% [4].
Penelitian juga dilakukan oleh Rahma Chairunnisa,Indriati dan Putra
Pandu Adikara pada (Jurnal Pengembangan Teknologi Informasi dan Ilmu
Komputere-ISSN: 2548-964X Vol. 6, No. 4. (April 2022) dengan judul
“Penerapan Fitur N-Gram dan Pembobotan Augmented TF–IDF Probability
dengan K-Nearest Neighbour Pada Sentimen terhadap Karyawan Dirumahkan
pada Media sosial Twitter”. Menyatakan Hasil terbaik dari penelitian ini pada
nilai unigram K=3 yaitu akurasi 0,68, akurasi 0,415, memori 0,404, dan
pengukuran 0,406. Untuk nilai bigram, presisi 0,776, presisi 0,591, recall 0,408,
dan fmess 0,437. Pemilihan istilah unigram dan bigram berpengaruh signifikan
terhadap hasil penelitian ini [5].
Penelitian selanjutnya dilakukan oleh Erica Mas’udah, Eka Dyar W.
S.Kom,M.Kom dan Amalia Anjani S.Kom,M.Kom pada (Jurnal Informatika dan
Sistem Informasi (JIFoSI) Vol. 1, No. 2. (Juli 2020), dengan judul “Analisis
Sentimen: Pemindahan Ibu Kota Indonesia Pada Twitter”. Menyatakan Hasil
Keakurasian model tertinggi yang diperoleh dalam melakukan proses klasifikasi
adalah sebesar 68,10% dengan menggunakan skenario 11 yang mana
menggunakan klasifikasi Bernoulli Naïve Bayes [6].
Berdasarkan beberapa uraian latar belakang masalah di atas, maka penulis
ingin mencoba Analisa sentiment masyarakat terhadap Larangan impor pakaian
bekas dengan algoritma Text Mining dan Term Frequency Inverse Document
Frequency (TF-IDF). Atas dasar ilmiah, Penulis tertarik untuk mengambil judul
“Analisa Sentimen Masyarakat Pada Media Sosial Twitter Tentang
Larangan Impor Pakaian Bekas Ke Indonesia Dengan Menerapkan
Algoritma Text Mining Dan Term Frequency Inverse Document Frequency
(Tf Idf)”.

1.2 Perumusan Masalah

Berdasakan latar belakang masalah diatas maka yang menjadi perumusan

masalah penelitian ini adalah:
1. Bagaimana menganalisa sentimen masyarakat pada media sosial Twitter ?
2. Bagaimana menerapkan algoritma Text Mining dan Tf-Idf untuk mengetahui
sentimen masyarakat tentang larangan impor pakaian bekas ?
3. Bagaimana pengambilan dan pengujian sentimen masyarakat pada media sosial
twitter mengenai larangan impor pakaian bekas ?

1.3 Batasan Masalah

Ada pun yang menjadi batasan masalah yang dibahas dalam penelitian
ini adalah sebagai berikut:
1. Data yang di analisis diambil dari media sosial twitter dengan kata kunci
larangan impor pakaian bekas ke indonesia.
2. Jumlah data yang akan di kelola sebanyak 30 komentar
3. Pengambilan data sentimen dilakukan dengan link Node.js kemudian di olah
dengan algoritma Text Mining dan dilakukan pembobotan mengunakan Tf- Idf .
4. Pengujian hasil akhir dilakukan menggunakan aplikasi Rapid biner.

1.4 Tujuan Penelitian

Adapun tujuan dalam penelitian yang dilakukan adalah sebagai berikut :

1. Dapat mengetahui penganalisaan sentimen masyarakat pada media sosial
twitter.
2. Dapat mengetahui cara penerapan algoritma Text Mining dan Tf-Idf dalam
menganalisi sentimen masyarakat tentang larangan impor pakaian bekas.
3. Dapat mengetahui pengambilan data sentimen masyarakat pada media sosial
twitter mengenai larangan impor pakaian bekas menggunakan Node.js dan
melakukan pengujian dengan aplikasi Rapid biner.

1.5 Manfaat Penelitian

Ada pun beberapa manfaat yang diharapkan dari peneliti ini adalah
sebagai berikut:
1. Menambah pengetahuan dalam menganalisa sentimen masyarakat pada media
sosial twitter.
2. Dapat menjadi rujukan dalam melakukan penelitian kedepanya berkaitan
tentang sentimen masyarakat menerapkan algoritma Text Mining dan Tf-Idf .
3. Hasil sentiment dan pengujian dapat membantu kita mengetahui persentase
sentiment tertinggi diantara sentiment positif dan negatif pada sentiment
masyarakat di media sosial twitter tentang larangan impor pakaian bekas ke
Indonesia.
 DAFTAR PUSTAKA

[1] J. Ipmawati, Kusrini, and E. Taufiq Luthfi, “Komparasi Teknik Klasifikasi

Teks Mining Pada Analisis Sentimen,” Indones. J. Netw. Secur., vol. 6, no.
1, pp. 28–36, 2017.
[2] S. Bhatia, M. Sharma, and K. K. Bhatia, “Sentiment Analysis and Mining
of Opinions,” Stud. Big Data, vol. 30, no. May, pp. 503–523, 2018, doi:
10.1007/978-3-319-60435-0_20.
[3] Y. S. Mahardika and E. Zuliarso, “Analisis Sentimen Terhadap
Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan
Algoritma Naives Bayes,” Pros. SINTAK 2018, no. 2015, pp. 409–413,
2018.
[4] A. V. Sudiantoro et al., “Analisis Sentimen Twitter Menggunakan Text
Mining Dengan,” vol. 10, no. 2, pp. 398–401, 2018.
[5] R. Chairunnisa, Indriati, and P. P. Adikara, “Analisis Sentimen terhadap
Karyawan Dirumahkan pada Media Sosial Twitter menggunakan Fitur N-
Gram dan Pembobotan Augmented TF-IDF Probability dengan K-Nearest
Neighbour,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 4, pp.
1960–1965, 2022.
[6] E. Mas’udah, E. D. Wahyuni, and A. A. Arifiyanti, “Analisis Sentimen:
Pemindahan Ibu Kota Indonesia Pada Twitter,” J. Inform. dan Sist. Inf.,
vol. 1, no. 2, pp. 397–401, 2020.