Proposal Penelitian

Judul
Mengukur Tingkat Sentimen Berkomentar Dalam Postingan Sosial Media Atas Konflik Moderasi
Beragama Melalui Naïve-Bayes Classifier

Bidang Penelitian
Keagamaan Islam

Nama Peneliti
1. Aura Zalfa Nabilah Amirullah
2. Ayesa Titah Ramadani

Asal Maderasah
MAN Insan Cendikia Kota Kendari

Latar Belakang Masalah

Sosial Media merupakan perangkat komunikasi yang memungkinkan adanya berbagai jenis
kolaborasi interaksi yang belum tersedia sebelumnya (Maulidina & Sela, 2020). Masyarakat
sangat terbantu dengan adanya sosial media dalam memperoleh kabar terkini mengenai
peristiwa atau kejadian di lingkungan entah disekitarnya atau yang lebih luas (Karim, 2021).
Dengan berkembangnya teknologi di zaman globalisasi sekarang ini, internet digunakan
sebagai alat komunikasi bagi masyarakat (Fitriani, 2021). Maka masyarakat semakin mudah
untuk menyuarakan opininya melalui media sosial ke akun pemerintah (Novantirani, 2015).
Platform media sosial ini mengumpulkan dan menyimpan informasi penting tentang sentimen
dan reaksi populer, yang membantu memberikan masukan mendalam kepada pihak
berkepentingan (Munawar, dkk. 2022).
Instagram dan Facebook merupakan media merupakan media sosial teratas yang dapat
diakses oleh masyarakat melalui aplikasi maupun web. Keduanya juga berupa platform media
sosial memungkinkan penggunanya untuk mengambil gambar dan membaginya dengan
berbagai cara, meliputi integrasi antar sosial media lainnya seperti Twitter. Fitur lain yang terkait
dengan komentar Instagram dan Facebook adalah komentar yang dianggap tidak pantas dapat
dibatasi. Ulasan teratas juga berfungsi untuk menampilkan komentar yang paling banyak
disukai (Flores, dkk. 2020).
Tak hanya itu, Instagram dan Facebook juga dapat dijadikan sebagai laman untuk memposting
hal-hal yang berbau agama, ataupun konflik yang menyangkut agama maupun beberapa
golongan orang, salah satunya adalah moderasi beragama (Kosasih & Engkos, 2019).
Moderasi merupakan prinsip inti islam, moderasi islam merupakan pengetahuan beragama
yang relavan dalam hal kebinekaan dan semua konteks, termasuk agama, adat, dan suku
bangsa (Dawing, 2017). Satu dari kasus mengenai moderasi beragama yang diposting melalui
Facebook dengan klarifikasi yang diposting di Instagram yaitu kasus perbedaan pendapat
antara Muhammadiyah dan pemerintah terkait lebaran tahun ini memicu konflik antar
Muhammadiyah dan peneliti BRIN (Badan Riset dan Inovasi Nasional), Andi Pangerang yang
berkomentar di postingan peneliti BRIN lainnya yaitu Thomas Jamaluddin di laman Facebook
yang berisikan:
(Komentar Andi Pangerang mengenai ancaman terhadap Muhammadiyah. Sumber:
Sumbawanews)
Demikian komentar Andi di Facebook (Indonesia, 2023).
Dengan adanya komentar tersebut, maka analisis sentiment akan sangat diperlukan untuk
menyaring komentar dan ulasan masyarakat yang beropini di laman tersebut (Maulidina & Sela,
2020). Kami peneliti akan menganalisis sentimen komentar di laman media sosial tersebut
dengan perhitungan Algoritma Naïve Bayes Classifier (Permadi & Amalia, 2020). Algoritma
Naïve Bayes yaitu klasifikasi algoritma yang sukar dipakai dalam data mining (Wijaya, dkk.
2016). Algoritma Naïve Bayes didasarkan pada teorama bayes bahwa semua aktivitas
berkontribusi sama atau independen untuk pemilihan kelas tertentu (Darwis, Siskawati, &
Abidin, 2021). Dengan metode ini berfungsi untuk menganalisis data dari laman sosial media
dibagi ke sentimen positif, sentimen netral, dan sentimen negatif (Hutagalung, dkk. 2021).

Rumusan Masalah
Bagaimana tanggapan masyarakat pengguna media sosial mengenai kasus peneliti BRIN yang
menyinggung Muhammadiyah, lalu apa dampak dari kasus tersebut terhadap kondisi moderasi
beragama di Indonesia, dan tentang bagaimana sentimen komentar masyarakat pada laman
sosial media yaitu Facebook dan Instagram tempat diunggahnya komentar dari Andi Pangerang
dan juga klarifikasi BRIN terhadap kasus menyinggung Muhammadiyah, yang terdiri dari
sentiment positif, netral dan negatif?

Tujuan Penelitian
Adanya penelitian ini maka peneliti dapat memperoleh pengetahuan dan menganalisis
tanggapan masyarakat lokal mengenai kasus peneliti BRIN yang menyinggung Muhammadiyah
serta dampak dari adanya konflik ini terhadap moderasi beragama di Indonesia, analisis
sentimen dari komentar juga bertujuan untuk mengetahui isi makna positif, netral, dan negatif
dari komentar itu sendiri.

Manfaat Penelitian
Manfaat secara teoritis dapat diperoleh dari pemahaman mengenai opini dan tanggapan
masyarakat mengenai kasus konflik dalam moderasi agama islam melalui metode perhitungan
pemilahan Algoritma Naïve Bayes Classifier dan dapat diperoleh sentiment komentar positif,
netral dan negatif dari masyarakat terhadap kasus moderasi beragama.
Manfaat dari penelitian ini secara terapan ialah, peneliti dapat mengambil hikmah dan juga
pelajaran mengenai pentingnya moderasi dalam agama islam terhadap pemersatuan bangsa.
Melalui opini masyarakat, peneliti dapat memperoleh dan mengetahui pemikiran baik dari
individu dan individu.

Kajian Teori
Moderasi berasal dari kata “moderat”. Dasar dari moderasi yaitu berasal dari moderation yang
artinya pertengahan, sedang, atau tidak berlebihan. Negara memiliki peran penting dalam
memastikan jaminan sosial mengamalkan agamanya sesuai keyakinan yang dipilihnya.
Pandangan islam, dalam banyaknya agama, ideologi dan filosofi yang terkemuka, cuman islam
yang dapat terjaga dari tantangan zaman. Toleransi beragama merangkul persoalan keyakinan
manusia tentang iman dan ketuhanan yang dia percaya (Abror, 2020).
Media sosial merupakan sarana medis berbasis online yang dimanfaatkan untuk
mempermudah dalam berpartisipasi, membuat blog, berbagi, wiki, dunia virtual, forum, dan
jejaring sosial. Media sosial membantu individu secara online akuisisi dan pengiriman informasi.
Melalui media sosial, individu dapat dipermudah dalam berbisnis dan membentuk sebuah
komunitas (Kamhar & Lestari, 2019). Sistem analisis sentimen adalah sistem penganalisis
otomatis ulasan di media sosial demi dapat memperoleh informasi termasuk sentiment dari
ulasan atau komentar online. Mengklasifikasikan data dengan Naïve Bayes yang sistemnya
terdapat 5 tahapan, yang terdiri dari crawling, preprocessing, word weighting, model building,
dan sentiment classification. Metode TF-IDF (Term Frequency – nverse Document Frequency)
dipakai dalam pembobotan kata. Data yang ada akan dibagi menjadi 5 kelompok yang
diantaranya negatif, netral dan positif (Gunawan, dkk. 2018).

Tinjauan Pustaka
Penulisan dari penelitian ini tak terlepas kaitannya terhadap beberapa penelitian terdahulu yang
salah satunya adalah penelitian yang berusaha menguji tentang komentar sosial media
instagram mengenai BPJS sebagai layanan kesehatan dengan teknik analisis sentimen Naïve
Bayes Classifier yang betujuan untuk menganalisis sentimen dari komentar masyarakat
terhadap layanan kesehatan BPJS yang ditinjau dari komentar instagam yang diunggah oleh
masyarakat. Adapun hasil dari penelitian ini menggunakan data sejumlah 250 review dengan uji
data sebanyak 50 review. Dari data pengujian, 50 review menghasilkan 31 komentar dengan
klaifikasi benar dan 19 komentar mengalami kesalahan klasifikasi. Hasil uji klasifikasi
menunjukkan kinerja yang memadai dengan akurasi sebesar 62% (Karim, 2021).
Selanjutnya berupa hasil penelitian terdahulu mengenai klasifikasi kasus cyberbullying yang
terdeteksi di sosial media instagram dengan metode Support Vector Machine. Penelitian ini
membahas tentang bahaya tragedi cyberbullying dalam media sosial oleh kalangan remaja
yang terjadi pada remaja sekitar 12-20 tahun sebanyak 42% yang mengalami bullying. Menurut
hasil pengujian, pada metode SVM ditemukan parameter berkualitas bernilai kernepolinomal 2,
nilai 0,0001 sebagai learning rate dan nilai iterasi maksimal 200. Dari pengujian ini diperoleh
hasil 90% nilai tertinggi dari dari data latih dengan akurasi komposisi sebanyak 50% dan data
uji sebanyak 50% (Luqyana, dkk. 2018).
Selanjutnya terdapat penelitian mengenai komentar instagram warganet terhadap postingan di
akun instagram milik Ridwan Kamil, Gubernur Jawa Barat dengan cara menganalisis sentimen
nya melewati metode Naïve Bayes Classifier dan juga TF-IDF, pujian dan juga hinaan warganet
dalam komentar disetiap unggahannya. Dari sini diketahui bahwa analisis komentar melalui
sentimen warga menggunakan Naïve Bayes dan metode TF-IDF dengan uji data dan tingkat
akurasi mencapai 92% (Maulidina & Sela, 2020).
Penelitian terdahulu juga menggunakan SVM dan Naïve Bayes sebagai perbandingan hasil
akurasi terhadap analisis sentimen informasi mengenai COVID-19 di platform instagram.
Berbagai pendapat masyarakat mengenai informasi COVID-19 dikomunikasikan melalui
komentar yang ditinggkalkan di instagram. Algoritma klasifikasi yang dipakai berupa Naïve
Bayes dan SVM (Support Vector Machine) untuk mengevaluasi data. Dalam pengujian awal,
Naïve Bayes mencapai akurasi 78,02%, sementara SVM mencapai hasil akurat 80,23%.
Ditemukan perbedaan akurasi sebesar 2,21% di antara keduanya. Selepas dilakukan optimasi
dengan operator PSO (Particle Swarm Optimization), algoritma dari Naïve Bayes (PSO)
mencapai nilai akurat sebesar 79,07%, sedangkan algoritma SVM (PSO) mencapai akurasi
81,16%. Selisih akurasi antara keduanya adalah 2,09%. Dalam hasil uji tersebut, algoritma
SVM, baik yang menggunakan PSO atau tidak, akan menghasilkan nilai dari akurasi yang tinggi
(Ratino, dkk. 2020).
Penelitian terdahulu terakhir yaitu sama dengan penelitian sebelumnya yang menggunakan
metode Naïve Bayes Classifier, hanya saja penelitian kali ini berbasis Emoticon yang memberi
ekspresi penulis komentar pada komentarnya dimana menghasilkan hasil pengujian metode
Naïve Bayes yang secara umum mampu memberikan keluaran label sentimen dengan tingkat
akurasi sebesar 96,3% (Nugraha & Adi, 2021).
Maka dapat disimpulkan keterkaitan persamaan dan perbedaan dengan penelitian yang diteliti.
Dimana titik persamaannya adalah terletak pada pembahasan tentang sentimen komentar
masyarakat dan dapat memperoleh akurasinya, dengan letak perbedaan yang terdapat pada
kasus, metode, dan cara memperoleh datanya.

Metode yang digunakan

Metode dalam penelitian terhadap sentimen komentar masyarakat terhadap kasus moderasi
beragama yakni Naïve Bayes Classifier yang terbagi ke lima tahapan yaitu crawling, pre-
processing, word weighting (bobot kata) dengan metode TF-IDF (Term Frequency – Inverse
Doccument Frequency), pembangunan dari model dan sentiment classification dimana data
akan dibagi ke kelas negatif, positif, dan netral. Setelah itu maka dilakukan evaluasi dengan uji
confusion matrix yang terdiri dari precision, recall, dan akurasi parameter.

Subyek penelitian
Sebab dalam penelitian ini diteliti kasus dalam moderasi beragama dalam media sosial, maka
subjek dari penelitian ini tak lain adalah warganet atau masyarakat yang diambil dari komentar,
ulasan, opini, dan respon masyarakat terhadap kasus konflik dalam moderasi beragama,
respon masyarakat ini lah yang akan diuji dan dianalisis sentimennya.

Teknik dan alat pengumpulan data

NBC adalah cara untuk mengklasifikasikan data probabilitas sederhana menggunakan Teorama
Bayes tingkat kemandirian yang tinggi. Pendekatan ini bekerja dengan baik untuk banyak
kumpulan data memiliki kinerja yang pesat dalam klasifikasi data dan memiliki hasil akurasi
yang tinggi (Nurhuda, dkk. 2016).
Berikut adalah sekiranya urutan kerangka dari tahap penelitian yang dilakukan oleh peneliti :
 Start Dataset Preprocessing Word Weighting TF-IDF

Finish Sentiment Naïve-Bayes Classifier

Output

Alur dalam menganalisis sentimen komentar terhadap media sosial terkait moderasi beragama
adalah sebagai berikut:

1. Dataset komentar
Pengambilan data berupa komentar dari media sosial Facebook dan Instagram diambil
menggunakan teknik Scrapping.

2. Preprocessing
a. Memastikan bahwa teks terbebas dari tanda baca, angka, url, hastag, symbol, dan
mention sehingga menunjukkan data yang asli, proses ini dinamakan dengan
cleaning text.
b. Pengubahan seluruh data di dalam teks menjadi huruf kecil atau tokenizing dengan
memotong setiap kata dari data sehingga karakter dan tanda baca lainnya terhapus.
c. Penghilangan stopword atau filtering yaitu proses pemilahan dimana diambil kata
penting dari hasil tokenizing dimana pembuangan kata yang tidak penting
menggunakan algoritma stoplist dan untuk menetapkan kata yang penting
menggunakan algoritma wordlist, dimana kata yang tak penting berupa kata yang
tidak menunjukkan sifat deskriptif.
d. Pengubahan kata ke kata asalnya dengan teknik Stemming dimana kata hasil
filtering akan diubah menjadi kata dasarnya sehingga menghilangkan imbuhan-
imbuhan yang terdapat dalam kata tersebut.

3. Word weighting dengan TF-IDF

Metode TF-IDF dipakai dalam mencari bobot kata dengan mencoba menemukan kata
kunci yang berkaitan dengan suatu kelompok yang ada. Teknik ini bertujuan untuk
menganalisis ciri dari teks dengan gabungan dari TF dan IDF.

a. Term Frequency

( ) ∑

Atau

b. Inverse Document Frequency

| |
( )
 Atau

| |
|{ }|

c. TF-IDF
Berupa kombinasi antara TF dan IDF untuk memperoleh pembobotan kata yang
sesuai.

Atau

( ) ( ) ( )

4. Sentiment Classification dengan Naïve Bayes Classifier

Bagikan dataset terlebih dahulu ke data testing untuk menguji kinerja klasifikasi yang
memperoleh akurasi, presisi, dan daya ingat. Data training yang dipakai untuk proses
training dari klasifikasi Naïve Bayes yang akan mengklasifikasikan komentar ke negatif,
netral, dan positif, sehingga dapat diketahui sentimen dari tiap-tiap komentar. Maka itu,
dilakukan testing data yang dapat memberikan akurasi dari kinerja Naïve Bayes.
Persamaan yang digunakan untuk mengetahui nilai probabilitas yakni:

( | ) ( )
( | )
( )

P(H|E) : Conditional probability atau probabilitas dengan syarat dari hipotesis akan
terjadi hanya apabila terdapat bukti.

P(E|H) : Probabilitas dari bukti akan berpengaruh pada hipotesis.

P(H) : Priori dari hipotesis tidak berlandas bukti.

P(E) : Priori dari bukti terlaksana tanpa berlandas pada hipotesis lainnya.

a. Perhitungan mean atribut tiap kategori

Dengan rumus :

b. Perhitungan standar deviasi atribut tiap kategori

Dengan rumus :

√ ∑( ̅)
 c. Perhitungan probabilitas atribut tiap kategori
Dengan rumus :
( )
( )
√

5. Evaluasi dengan Confusion Matrix

Diaplikasikan untuk membuktikan akurasi (accuracy), presisi (precision) dan recall, yakni
dengan persamaan sebagai berikut.

Jadwal Penelitian

No. Kegiatan Bulan

April Mei Juni Juli Agustus
1. Pembuatan Proposal

2. Pengumpulan Data

3. Penghitungan Nilai
Rata-Rata Dari Data
Yang Telah Diperoleh

4. Analisis Data

5. Penulisan Proposal
Daftar Pustaka

Abror. (2020). MODERASI BERAGAMA DALAM BINGKAI TOLERANSI: Kajian Islam dan
Keberagaman. Rusydiah : Jurnal Pemikiran Islam, 1 (2), 143-155.

Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayesuntuk Analisis
Sentimen ReviewData TwitterBMKG Nasional. Fakultas Teknik dan Ilmu Komputer,
Universitas Teknokrat Indonesia, Bandar Lampung, Indonesia, 15 (1), 131-145.

Dawing. (2017). Mengusung Moderasi Islam di Tengah Masyarakat Multikultural. Jurnal Studi
Ilmu Ushuluddin dan Filsafat 13 (2), 225-255.

Fitriani, Y. (2021). Pemanfaatan Media Sosial Sebagai Media Penyajian Konten Edukasi Atau
Pembelajaran Digital. Journal of information system, applied, management, accounting
and research 5 (4), 1006-1013.

Flores, A., jasa, L., & Linawan. (2020). Analisis Sentimen untuk Mengetahui Kelemahan dan
Kelebihan Pesaing Bisnis Rumah Makan Berdasarkan Komentar Positif dan Negatif di
Instagram. Majalah Ilmiah Teknologi Elektro 19 (1), 49-53.

Gunawan, B., Pratiwi, S., & Pratama, E. (2018). Sistem Analisis Sentimen pada Ulasan Produk
Menggunakan Metode Naive Bayes. JEPIN : (Jurnal Edukasi dan Penelitian
Informatika), 4 (2), 113-118.

Hutagalung, S., Negara, P., & Pratama, E. (2021). Aplikasi Pendeteksi Cyberbullying Terhadap
Komentar Postingan Media Sosial Instagram dengan Metode Naive Bayes Classifier.
Justin: Jurnal Sistem dan Teknologi Informasi, 9 (3), 364-371.

Indonesia, C. (2023). Fakta-fakta kasus peneliti BRIN Andi Pangerang Ancam Muhammadiyah.
2023: CNN Indonesia.

Kamhar, Y., & Lestari, E. (2019). Pemanfaat Sosial Media Youtube Sebagai Media
Pembelajaran Bahasa. INTELIGENSI: Jurnal Ilmu Pendidikan, 1 (2), 1-7.

Karim, A. (2021). Analisis Sentimen Pada Komentar Sosial Media Instagram Layanan
Kesehatan BPJS Menggunakan Naive Bayes Classifer. Universitas Islam Sultan Agung,
1-79.

Kosasih, & Engkos. (2019). Literasi Media Sosial dalam Pemasyarakatan Sikap Moderasi
Beragama. Pascasarjana UIN Sunan Gunung Djati Bandung, 12 (1), 264-296.

Luqyana, A., Cholissodin, I., & Perdana, S. (2018). Analisis Sentimen Cyberbullying pada
Komentar Instagram dengan Metode Klasifikasi Support Vector Machine. Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, 2 (11), 4704-4713.

Maulidina, K., & Sela, I. (2020). Analisis Sentimen Komentar Warganet Terhadap Postingan
Instagram Menggunakan Metode Naive Bayes Classifier dan TF-IDF. Universitas
Teknologi Yogyakarta. YDB Iptek, 1-15.
Munawar, Z., Iswanto, Widhiantoro, D., & Putri, I. N. (2022). Analisis Sentimen Covid-19 Pada
Media Sosial Dengan Model Neural Machine Translation Analysis of Covid-19 Sentiment
on Social Media with Neural Machine Translation Model. Jurnal Teknologi Informasi
Komunikasi (e-journal), 9 (1), 15-20.

Novantirani, A. (2015). Analisis Sentimen pada Twitter Untuk Mengenai Penggunaan

Transportasi Umum Darat .

Nugraha, & Adi, K. (2021). Analisis Sentimen BerbasisEmoticonpada Komentar

InstagramBahasa IndonesiaMenggunakan Naïve Bayes. Jurnal Teknik Informatika dan
Sistem Informasi Volume7 Nomor3, 715-721.

Nurhuda, Sihwi, W., & Doewes. (2016). Analisis Sentimen Masyarakat terhadap Calon Presiden
Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes
Classifier. Teknologi & Informasi ITSmart, 2(2), 35.

Permadi, & Amalia, V. (2020). Analisis Sentimen Menggunakan Algoritma Naive Bayes
Terhadap Review. Universitas Pembangunan Nasional “Veteran” Yogyakarta, 11 (2),
141-151.

Ratino, Hafidz, N., Anggraeni, S., & Gata, W. (2020). SentimenAnalisisInformasiCovid-

19menggunakanSupportVectorMachinedanNaïveBayes. JUPITER, 12 (2), 1-11.

Wijaya, Santoso, & Dian. (2016). Naive Bayes Classification pada Klasifikasi Dokumen Untuk
Identifikasi Konten E-Government. J. Appl. Intell. Syst., vol. 1, no. 1, 48-55.