Penerapan Insert-Lexicon untuk Analisis Sentimen Kenaikan Harga BBM pada Media Sosial Twitter

Abstract

Twitter merupakan media sosial yang sering digunakan sebagai media informasi dan berkomunikasi. Di Twitter kita dapat menemukan berbagai opini yang bersifat positif maupun negatif dari berbagai topik termasuk kenaikan harga BBM. Pada penelitian ini, analisis sentimen dilakukan untuk memahami, mengekstrak dan mengolah pendapat atau opini pengguna Twitter terhadap permasalahan kenaikan harga BBM yang memiliki kecenderungan ke arah negatif maupun positif. Adapun pendekatan yang diterapkan oleh penulis yakni dengan menggunakan Inset-Lexicon. Berdasarkan hasil uji dari 117, terdapat 57 tweet bersentimen positif dan 60 tweet bersentimen negatif. 2. Hasil evaluasi kinerja model menyajikan metrik-metrik penting seperti accuracy, precision, recall dan f1-score. Accuracy sebesar 93.16% menunjukkan sejauh mana model dapat mengklasifikasikan sentimen dengan benar secara keseluruhan. Precision 89.47% mengindikasikan seberapa banyak dari tweet yang diklasifikasikan sebagai positif oleh model yang benar-benar bersentimen positif. Recall sebesar 96.23% menunjukkan kemampuan model dalam mengidentifikasi sebanyak mungkin tweet bersentimen positif dari total tweet yang sebenarnya bersentimen positif. Nilai f1-score sebesar 92.73% adalah suatu ukuran yang seimbang antara precision dan recall, memberikan gambaran holistik tentang kinerja model.

DOI: https://doi.org/10.33005/scan.v19i2.4730