Mohon tunggu...
Bagus DiazPratama
Bagus DiazPratama Mohon Tunggu... Mahasiswa - mahasiswa

Halo, saya merupakan mahasiswa dari Universitas Islam Negeri Walisongo Semarang, saya sangat senang untuk mencoba hal baru yang belum penah saya lakukan.

Selanjutnya

Tutup

Ilmu Sosbud

Analisis Sentimen Hak Angket Twitter Menggunakan Naive Bayes dan K-Fold Cross Validation

18 Juni 2024   00:17 Diperbarui: 18 Juni 2024   00:39 533
+
Laporkan Konten
Laporkan Akun
Kompasiana adalah platform blog. Konten ini menjadi tanggung jawab bloger dan tidak mewakili pandangan redaksi Kompas.
Lihat foto
Bagikan ide kreativitasmu dalam bentuk konten di Kompasiana | Sumber gambar: Freepik

Mencari Pendapat Masyarakat Tentang Hak Angket di Twitter: Sebuah Analisis Sentimen

Dalam era digital ini, media sosial telah menjadi platform utama bagi masyarakat untuk menyuarakan pendapat mereka. Salah satu media sosial yang sangat populer di Indonesia adalah Twitter, yang sering digunakan untuk berdiskusi tentang berbagai isu, termasuk isu politik yang sedang hangat dibicarakan, seperti hak angket.


Hak angket sendiri adalah hak DPR untuk melakukan penyelidikan terhadap pelaksanaan undang-undang dan kebijakan pemerintah yang penting dan strategis. Wacana hak angket ini muncul karena dugaan kecurangan pada Pemilu 2024, yang diusulkan oleh Ganjar Pranowo dan didukung oleh Anies Baswedan.

Untuk memahami bagaimana masyarakat bereaksi terhadap isu ini, kami melakukan penelitian menggunakan analisis sentimen di Twitter. Dalam penelitian ini, kami menggunakan algoritma Naive Bayes Classifier dan metode K-Fold Cross Validation.

Metodologi Penelitian

Penelitian ini terdiri dari beberapa tahap:

1. Pengumpulan Data: Kami mengumpulkan data opini masyarakat tentang hak angket dari Twitter menggunakan API Twitter. Data dikumpulkan dalam bentuk tweet yang mengandung hashtag #hakangket selama periode tertentu.

2. Preprocessing Data: Data mentah yang dikumpulkan kemudian diproses untuk mengurangi noise. Langkah-langkahnya termasuk pembersihan data, case folding (mengubah semua huruf menjadi kecil), penghapusan stopwords, stemming (mengubah kata ke bentuk dasar), dan normalisasi kata.

3. Ekstraksi Fitur: Setelah preprocessing, kami memberi label dan bobot pada kata-kata dalam tweet menggunakan pustaka TextBlob Python, yang mengklasifikasikan tweet sebagai positif atau negatif.

4. Algoritma Naive Bayes: Algoritma ini digunakan untuk memprediksi probabilitas suatu tweet menjadi positif atau negatif berdasarkan prinsip probabilitas dan konsep statistik.

HALAMAN :
  1. 1
  2. 2
Mohon tunggu...

Lihat Konten Ilmu Sosbud Selengkapnya
Lihat Ilmu Sosbud Selengkapnya
Beri Komentar
Berkomentarlah secara bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab komentator seperti diatur dalam UU ITE

Belum ada komentar. Jadilah yang pertama untuk memberikan komentar!
LAPORKAN KONTEN
Alasan
Laporkan Konten
Laporkan Akun