Analisis Sentimen Media Sosial X Terhadap Isu Tapera Menggunakan Metode XGBoost Berbasis PSO
Main Article Content
Abstract
Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap isu Tabungan Perumahan Rakyat (Tapera) melalui media sosial X. Data dikumpulkan melalui crawling dengan kata kunci "Isu Tapera" dan menghasilkan 2.268 data. Data diberi label secara manual ke dalam kategori negatif, positif, netral, dan others, lalu diproses melalui tahap pra-pemrosesan dan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Data dibagi menjadi data latih dan data uji dengan rasio 80:20. Model klasifikasi menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dioptimasi dengan Particle Swarm Optimization (PSO) untuk mendapatkan parameter terbaik. Hasil menunjukkan kombinasi XGBoost dan PSO meningkatkan akurasi model hingga 85%. Penelitian ini memberikan gambaran potensi analisis opini publik secara real-time melalui media sosial. Hasilnya dapat digunakan sebagai dasar pertimbangan kebijakan pemerintah terhadap respon masyarakat.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] V Rekha, R Raksha, Pradnya Patil, N Swaras, and G L Rajat, “Sentiment Analysis on Indian Government Schemes Using Twitter data,” International Conference on Data Science and Communication (IconDSC),.
[2] T. S. Sabrila, Y. Azhar, and C. S. K. Aditya, “Analisis Sentimen Tweet Tentang UU Cipta Kerja Menggunakan Algoritma SVM Berbasis PSO,” JISKa, vol. 7, no. 1, pp. 10–19, Jan. 2022, doi: 10.14421/jiska.2022.7.1.10-19.
[3] D. Dewanto, “TOWS matrix as business strategy of BP. Tapera,” IJRBS, vol. 11, no. 7, pp. 62–77, Nov. 2022, doi: 10.20525/ijrbs.v11i7.2137.
[4] R. H. Muhammadi, T. G. Laksana, and A. B. Arifa, “Combination of Support Vector Machine and Lexicon-Based Algorithm in Twitter Sentiment Analysis,” khif, vol. 8, no. 1, pp. 59–71, Mar. 2022, doi: 10.23917/khif.v8i1.15213.
[5] A. Tiwari, R. Gupta, and R. Chandra, “Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown,” Feb. 21, 2021, arXiv: arXiv:2102.10551. Accessed: Jun. 20, 2024. [Online]. Available: http://arxiv.org/abs/2102.10551
[6] Iyad Lahsen Cherif and Abdesselem Kortebi, “On using eXtreme Gradient Boosting (XGBoost) Machine Learning algorithm for Home Network Traffic Classification”.
[7] B. N. S. Aldo Andika Saputra, “Penerapan Algoritma Extreme Gradient Boosting (Xgboost) Untuk Analisis Risiko Kredit,” Apr. 2024, doi: 10.5281/ZENODO.10960080.
[8] E. P. Cynthia and E. Ismanto, “Metode Decision Tree Algoritma C.45 Dalam Mengklasifikasi Data Penjualan Bisnis Gerai Makanan Cepat Saji,” jurasik, vol. 3, p. 1, Jul. 2018, doi: 10.30645/jurasik.v3i0.60.
[9] G. Triyono, “PERTIMBANGAN MELAKUKAN DENORMALISASI PADA MODEL BASIS DATA RELASI,” 2011.
[10] T. W. Putra and A. Triayudi, “Analisis Sentimen Pembelajaran Daring menggunakan Metode Naïve Bayes, KNN, dan Decision Tree,” 2022.
[11] D. T. Hermanto, A. Setyanto, and E. T. Luthfi, “Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online,” citec, vol. 8, no. 1, p. 64, Mar. 2021, doi: 10.24076/citec.2021v8i1.264.
[12] I. Prasetyaningrum, K. Fathoni, and T. T. J. Priyantoro, “Application of recommendation system with AHP method and sentiment analysis,” TELKOMNIKA, vol. 18, no. 3, p. 1343, Jun. 2020, doi: 10.12928/telkomnika.v18i3.14778.
[13] J. Han, K. Shu, and Z. Wang, “Predicting energy use in construction using Extreme Gradient Boosting,” PeerJ Computer Science, vol. 9, p. e1500, Aug. 2023, doi: 10.7717/peerj-cs.1500.
[14] F. Nurrahman, H. Wijayanto, A. H. Wigena, and N. Nurjanah, “PRE-PROCESSING DATA ON MULTICLASS CLASSIFICATION OF ANEMIA AND IRON DEFICIENCY WITH THE XGBOOST METHOD,” BAREKENG: J. Math. & App., vol. 17, no. 2, pp. 0767–0774, Jun. 2023, doi: 10.30598/barekengvol17iss2pp0767-0774.
[15] N. T. Tran, T. T. G. Tran, T. A. Nguyen, and M. B. Lam, “A new grid search algorithm based on XGBoost model for load forecasting,” Bulletin EEI, vol. 12, no. 4, pp. 1857–1866, Aug. 2023, doi: 10.11591/eei.v12i4.5016.
[16] Maher G.M. Abdolrasola,∗, , M.A. Hannanb, , S.M. Suhail Hussainc, and , Taha Selim Ustunc, Optimal PI controller based PSO optimization for PV inverter using SPWM techniques.
[17] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” vol. 5, 2021.
[18] D. P. Javale and S. Desai, “Healthcare Critical Diagnosis Accuracy: A Proposed Machine Learning Evaluation Metric for Critical Healthcare Analysis,” vol. 14, no. 8, 2023.