Analisis Sentimen Pilkada di Tengah Pandemi Covid-19 Menggunakan Convolution Neural Network (CNN)

Abstract

Pemilihan kepala daerah 2020 menjadi kontroversi, sebab dilaksanakan ditengah pandemi covid-19. Komentar muncul di berbagai lini media sosial seperti twitter. Banyak masyarakat yang setuju pilkada dilanjutkan, namun banyak juga yang perpendapat untuk menunda pilkada sampai masa pandemi berakhir. Melihat perbedaan pendapat seperti ini, perlu dilakukan analisis sentimen, dengan tujuan untuk memperoleh persepsi atau gambaran umum masyarakat terhadap penyelenggaraan pilkada 2020 saat pandemi covid-19. Sebanyak 500 tweet diperoleh dengan cara crawling data dari twitter API menggunakan library tweepy, bedasarkan keyword yang telah ditentukan. Dataset yang didapat diberi label ke dalam dua kelas, negatif dan positif. Penelitian ini mengusulkan pendekatan deep learning dengan algoritma Convolution Neural Network (CNN) untuk klasifikasi, yang terbukti efektif untuk tugas Natural Language Processing (NLP) dan mampu mencapai kinerja yang baik dalam klasifikasi kalimat. Percobaan dilakukan dengan menerapkan 4-layer convolutional dan mengamati pengaruh jumlah epoch terhadap akurasi model. Variasi epoch yang digunakan adalah 50, 75, 100. Hasil dari penelitian menunjukkan bahwa, metode CNN dengan dataset pilkada ditengah pandemi mendapatkan akurasi tertinggi sebesar 90% dengan 4-layer convolutional dan 100 epoch. Didapatkan pula bahwa, semakin banyak epoch yang digunakan dalam model, akurasi cenderung meningkat.

Analisis Sentimen Komentar Politik Di Media Sosial X Dengan Pendekataan Deep Learning

“…Pemrosesan Bahasa Alam atau Natural Language Processing (NLP) adalah cabang dari kecerdasan buatan yang berfokus pada interaksi antara komputer dan bahasa manusia. Terbukti efektif tugas Pemrosesan bahasa alamiah Natural Language Processing (NLP) dan berhasil mencapai performa yang optimal dalam melakukan klasifikasi kalimat [14].…”

Sentiment Analysis Tweet Pilkada 2020 Saat Pandemik COVID-19 di Media Sosial Twitter Menggunakan Metode 1D Convolutional Neural Network

“…Biasanya CNN terstruktur dalam 3 layer yaitu layer input, hidden layer, dan layer hasil [12]. Pada penelitian ini menggunakan Convolutional Neural Network layer yang sederhana [14], terstruktur dari convolutional layer, max pooling layer, dropout layer serta fully connected output layer [15].…”