Analisis Polarisasi Sentimen Kasus Bocornya Pusat Data Nasional Pada Platform Sosial Media
Main Article Content
Abstract
Kasus kebocoran data Pusat Data Nasional terjadi pada tahun 2024. Hal tersebut memicu berbagai reaksi masyarakat, terutama di media sosial YouTube. Analisis sentimen dilakukan untuk memahami berbagai opini tentang kebocoran data tersebut. Penelitian ini bertujuan menganalisis polarisasi sentimen masyarakat terkait kasus ini sebagai upaya memahami komentar terhadap isu keamanan data. Sebanyak 4.460 komentar dikumpulkan dari delapan video YouTube dengan latar tokoh berbeda, dan diklasifikasikan ke dalam empat kategori: positif, negatif, netral, dan others. Pengujian dilakukan dengan menggunakan IndoBERT dan IndoBERTweet dalam tiga skenario yang disesuaikan parameternya. Hasil terbaik diperoleh pada skenario pertama menggunakan IndoBERTweet dengan akurasi 0.87, sedangkan IndoBERT mendapatkan hasil 0.86. Analisis error menunjukkan bahwa kesalahan klasifikasi sering terjadi karena kata-kata yang bermakna umum dan ambigu, sehingga model kesulitan menentukan konteks sebenarnya dari komentar tersebut.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] N. Ananta, “Dampak Peretasan Pusat Data Nasional,” Tempo. Diakses: 5 Oktober 2024. [Daring]. Tersedia pada: https://grafis.tempo.co/read/3624/dampak-peretasan-pusat-data-nasional
[2] “PDNS: Pusat Data Nasional Sementara lumpuh akibat ransomware, mengapa instansi pemerintah masih rentan terhadap serangan siber?,” BBC News Indonesia. Diakses: 5 Oktober 2024. [Daring]. Tersedia pada: https://www.bbc.com/indonesia/articles/cxee2985jrvo
[3] V. G. Wardani, H. P. Santosa, dan D. Setyabudi, “Pengaruh Terpaan Berita Kebocoran Data Penduduk Dan Terpaan Negative E-Word of Mouth Di Media Sosial Terhadap Tingkat Kepercayaan Masyarakat Pada Pemerintah Pusat Dalam Menangani Kasus Kebocoran Data,” Interak. Online, vol. 11, no. 1, Art. no. 1, Des 2022.
[4] E. F. Saputra dan M. R. Pribadi, “Analisis Sentimen Komentar Pada Kanal Youtube The Lazy Monday Menggunakan Algoritma Naive Bayes,” MDP Stud. Conf., vol. 2, no. 1, hlm. 17–23, Apr 2023, doi: 10.35957/mdp-sc.v2i1.4283.
[5] Anugerah Simanjuntak dkk., “Research and Analysis of IndoBERT Hyperparameter Tuning in Fake News Detection,” J. Nas. Tek. Elektro Dan Teknol. Inf., vol. 13, no. 1, hlm. 60–67, Feb 2024, doi: 10.22146/jnteti.v13i1.8532.
[6] H. M. Lee dan Y. Sibaroni, “Comparison of IndoBERTweet and Support Vector Machine on Sentiment Analysis of Racing Circuit Construction in Indonesia,” J. MEDIA Inform. BUDIDARMA, vol. 7, no. 1, hlm. 99, Jan 2023, doi: 10.30865/mib.v7i1.5380.
[7] U. Khairani, V. Mutiawani, dan H. Ahmadian, “Pengaruh Tahapan Preprocessing Terhadap Model Indobert Dan Indobertweet Untuk Mendeteksi Emosi Pada Komentar Akun Berita Instagram,” J. Teknol. Inf. Dan Ilmu Komput., vol. 11, no. 4, hlm. 887–894, Agu 2024, doi: 10.25126/jtiik.1148315.
[8] M. Fadhel dan W. Maharani, “Depression Detection of Users in Social Media X using IndoBERTweet,” Sinkron, vol. 8, no. 2, hlm. 885–891, Mar 2024, doi: 10.33395/sinkron.v9i2.13354.
[9] D. Arisandi, T. Sutrisno, dan I. Kurniawan, “Klasifikasi Opini Masyarakat Di Twitter Tentang Kebocoran Data Yang Terjadi Di Indonesia Menggunakan Algoritma SVM,” J. Tek., vol. 15, no. 2, hlm. 75–80, Sep 2023, doi: 10.30736/jt.v15i2.993.
[10] D. D. Kurnianto dan S. Waluyo, “Analisis Sentimen Masyarakat Terhadap Eks Pejabat Pajak Diperiksa KPK Pada Youtube Menggunakan Metode K-Nearest Neighbor,” vol. 2, 2023.
[11] N. F. Amin, S. Garancang, dan K. Abunawas, “Konsep Umum Populasi dan Sampel Dalam Penelitian”.
[12] D. Safryda Putri dan T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Pospay Dengan Algoritma Support Vector Machine,” J. Ilm. Inform., vol. 11, no. 01, hlm. 32–40, Mar 2023, doi: 10.33884/jif.v11i01.6611.
[13] Adhitya Karel Maulaya dan Junadhi, “Analisis Sentimen Menggunakan Support Vector Machine Masyarakat Indonesia Di Twitter Terkait Bjorka,” J. CoSciTech Comput. Sci. Inf. Technol., vol. 3, no. 3, hlm. 495–500, Des 2022, doi: 10.37859/coscitech.v3i3.4358.
[14] Vidya Chandradev, I Made Agus Dwi Suarjaya, dan I Putu Agung Bayupati, “Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT: Analisis Sentimen Review Hotel menggunakan Metode Deep Learning BERT,” J. Buana Inform., vol. 14, no. 02, hlm. 107–116, Okt 2023, doi: 10.24002/jbi.v14i02.7244.
[15] G. F. Situmorang, “Deteksi Potensi Depresi dari Unggahan Media Sosial X Menggunakan Teknik NLP dan Model IndoBERT,” vol. 6, no. 2, 2024, doi: https://doi.org/10.47065/bits.v6i2.5496.
[16] N. A. R. Putri dan Ardiansyah, “Analisis Sentimen Terhadap Kemajuan Kecerdasan Buatan di Indonesia Menggunakan BERT dan RoBERTa,” J. Sains Dan Inform., vol. 9, no. 2, hlm. 136–145, Nov 2023, doi: 10.34128/jsi.v9i2.649.
[17] F. Koto, A. Rahimi, J. H. Lau, dan T. Baldwin, “IndoLEM and IndoBERT: A Benchmark Dataset and Pre-trained Language Model for Indonesian NLP,” dalam Proceedings of the 28th International Conference on Computational Linguistics, Barcelona, Spain (Online): International Committee on Computational Linguistics, 2020, hlm. 757–770. doi: 10.18653/v1/2020.coling-main.66.
[18] F. Koto, J. H. Lau, dan T. Baldwin, “IndoBERTweet: A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization,” 9 September 2021, arXiv: arXiv:2109.04607. Diakses: 7 Oktober 2024. [Daring]. Tersedia pada: http://arxiv.org/abs/2109.04607
[19] M. Furqan, S. Sriani, dan S. M. Sari, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia,” Techno.Com, vol. 21, no. 1, hlm. 51–60, Feb 2022, doi: 10.33633/tc.v21i1.5446.
[20] A. P. Prasetyo, C. Sri Kusuma, dan D. Rizki, “Analisis Sentimen Twitter terhadap Isu Penundaan Pemilu 2024 Menggunakan Metode Long Short-Term Memory (LSTM),” J. Repos., vol. 6, no. 3, Jul 2024, doi: 10.22219/repositor.v6i3.32643.