Sarcasm in Sentiment Analysis of Indonesian Text: A Literature Review

Christina, Sherly

doi:10.47111/jti.v13i2.255

Cited by 3 publications

(2 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Analisis Sentimen Angket Mahasiswa ini melakukan perbandingan untuk mengklasifikasikan data komentar angket mahasiswa yang dapat bernilai analisis sentimen berupa kelas positif, kelas negatif, dan kelas netral [4]. Pada jurnal penelitian kelima dapat disimpulkan model pendeteksi sarkasme meningkatkan kinerja yang menunjukkan akurasi sebesar 80,4 % dengan nilai presisi 83,2% dan recall 91,3% [5].…”

Section: Pada Jurnal Penelitian Perbandingan Metode Naïve Bayes Classifier Dan Holistic Lexicon Based Dalamunclassified

Analisis Sentimen Mahasiswa terhadap Kuesioner Penilaian Pelayanan Sekretariat FTKI Universitas Nasional dengan menggunakan Metode Simple Multi Attribute Rating Technique (SMART) dan Simple Additive Weighting (SAW)

Zuraidah

Triayudi

Andrianingsih

2021

jtik

View full text Add to dashboard Cite

In the world of higher education, service to students is very much needed, it is very important to maintain the quality of service so that good and disciplined service to students can be realized. This sentiment analysis aims to determine student opinion made using a questionnaire form. In addition, the Decision Support System with the Simple Multi Attribute Rating Technique (SMART) and Simple Additive Weighting (SAW) methods is expected to be a solution in providing an assessment of the FTKI secretariat services. This study uses a questionnaire form to see student assessments and make it an alternative value. The final results are obtained by testing the order analysis technique, which is 82%, proving that by testing these two methods, service assessment can be more expanded.Keywords:Sentiment Analysis, Questionnaire, SAW, Desicion Support System, SMART.

show abstract

Section: Pada Jurnal Penelitian Perbandingan Metode Naïve Bayes Classifier Dan Holistic Lexicon Based Dalamunclassified

Analisis Sentimen Mahasiswa terhadap Kuesioner Penilaian Pelayanan Sekretariat FTKI Universitas Nasional dengan menggunakan Metode Simple Multi Attribute Rating Technique (SMART) dan Simple Additive Weighting (SAW)

Zuraidah

Triayudi

Andrianingsih

2021

jtik

View full text Add to dashboard Cite

show abstract

“…Jika semakin banyak data maka akan semakin meningkat kinerjanya. Sarkasme adalah gaya bahasa yang memiliki polaritas negatif serta sulit dideteksi secara otomatis oleh mesin komputer, bahkan oleh manusia [6]. Dewi Hernikawati [10] menggunakan metode Lexicon Based, yang merupakan metode yang sederhana, layak, dan praktis untuk analisis sentimen.…”

Section: Penelitian Terkaitunclassified

Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach

Zain

Simbolon

Sulung

et al. 2021

JKT

View full text Add to dashboard Cite

Pada tanggal 11 Maret 2020, World Health Organization (WHO) resmi menetapkan COVID-19 sebagai pandemi global. Penyebaran virus ini sudah ada pada tahun 2019 lalu di kota Wuhan, China. Pemerintah resmi menetapkan Peraturan Presiden (PERPRES) tentang Pengadaan Vaksin dan Pelaksanaan Vaksinasi dalam Rangka Penanggulangan Pandemi Coronavirus Disease. Rencana kegiatan vaksinasi tersebut juga haruslah mempertimbangkan berbagai masukan, di antaranya adalah dengan melihat bagaimana respon dan opini masyarakat terhadap wacana vaksinasi tersebut. Dengan memanfaatkan data dari media sosial twitter, penelitian ini bertujuan untuk menganalisis respon masyarakat terhadap wacana vaksinasi dengan cara mengklasifikasikan respon tersebut ke dalam respon positif dan negatif. Selanjutnya juga akan dilakukan pengelompokkan opini masyarakat menggunakan model pre-trained Indonesian RoBERTa Base Sentiment Classifier untuk mengetahui sentimen dari topik vaksinasi Covid-19 yang dibahas oleh masyarakat. Hasil analisis menunjukkan bahwa masyarakat lebih banyak memberikan respon negatif terhadap wacana tersebut (24,7%) dibandingkan dengan respon positifnya (5,7%) dengan sisa respon netral (69,6%). Kata-kata bersentimen yang paling sering muncul juga mengindikasikan lebih banyak kata yang bersentimen negatif dibandingkan dengan kata yang bersentimen positif. Rata-rata hasil akurasi prediksi penerapan model pre-trainer pada label positif adalah 84%, Netral 97% dan Negatif 93%.

show abstract