NURUL FIKRINURUL FIKRI

DBESTI: Journal of Digital Business and Technology InnovationDBESTI: Journal of Digital Business and Technology Innovation

Tagar #KaburAjaDulu yang viral di platform X mencerminkan keresahan masyarakat Indonesia, terutama generasi muda, terhadap tekanan sosial dan ekonomi dalam negeri serta ketertarikan untuk bermigrasi ke Jepang. Fenomena ini menunjukkan dinamika opini publik digital yang kompleks, namun belum banyak penelitian yang secara khusus membandingkan efektivitas berbagai algoritma analisis sentimen dalam konteks ini. Oleh karena itu, penelitian ini bertujuan untuk menganalisis dan membandingkan hasil analisis sentimen publik terhadap tagar #KaburAjaDulu dengan konteks migrasi ke Jepang, menggunakan pendekatan natural language processing (NLP) melalui tiga algoritma: VADER, TextBlob, dan BERT. Sebanyak 1000 cuitan dikumpulkan menggunakan teknik scraping dan setelah proses pra-pemrosesan diperoleh 967 cuitan yang dianalisis. Sentimen diklasifikasikan ke dalam tiga kategori: positif, negatif, dan netral. Hasil menunjukkan bahwa VADER dan TextBlob cenderung menghasilkan sentimen netral dan positif, sedangkan BERT menunjukkan dominasi sentimen negatif sebesar 52,3%. Temuan ini menunjukkan bahwa BERT lebih sensitif dalam menangkap konteks dan sentimen tersirat dalam bahasa Indonesia informal. Penelitian ini menegaskan pentingnya pemilihan algoritma yang tepat dalam analisis sentimen media sosial dan memberikan kontribusi terhadap pemahaman aspirasi migrasi digital masyarakat Indonesia.

Penelitian ini bertujuan untuk menganalisis dan membandingkan hasil analisis sentimen publik terhadap tagar.KaburAjaDulu yang mencerminkan aspirasi migrasi ke Jepang di platform X, menggunakan tiga algoritma NLP, yaitu VADER, TextBlob, dan BERT, berdasarkan klasifikasi sentimen positif, negatif, dan netral.Hasil analisis menunjukkan bahwa algoritma VADER menghasilkan sentimen positif sebesar 38,5%, negatif 17,6%, dan netral 43,9%.Sementara itu, TextBlob menunjukkan sentimen positif sebesar 41,9%, negatif 13,3%, dan netral 44,8%.Berbeda dari keduanya, BERT menunjukkan hasil yang kontras dengan sentimen negatif dominan sebesar 52,3%, positif 47,7%, dan tanpa klasifikasi netral.Perbandingan ini menunjukkan bahwa BERT lebih sensitif dalam menangkap konteks emosional dan sentimen tersirat informal berbahasa Indonesia, sementara VADER dan TextBlob cenderung mengklasifikasikan sentimen secara lebih netral dan permukaan.Dengan demikian, penelitian ini berhasil menjawab rumusan masalah dan menegaskan bahwa pemilihan algoritma sangat mempengaruhi hasil interpretasi sentimen publik dalam isu sosial kompleks seperti aspirasi migrasi.Temuan ini memberikan kontribusi terhadap pemahaman dinamika opini digital di media sosial melalui pendekatan NLP.

Berdasarkan hasil penelitian, saran untuk penelitian lanjutan adalah: (1) Mengembangkan model analisis sentimen yang lebih canggih dengan mempertimbangkan konteks budaya dan sosial Indonesia secara lebih mendalam. (2) Melakukan studi komparatif antara algoritma analisis sentimen yang berbeda dalam memahami fenomena sosial-budaya di media sosial Indonesia. (3) Menganalisis dampak dan pengaruh tagar #KaburAjaDulu terhadap aspirasi dan keputusan migrasi masyarakat Indonesia, serta mengukur efektivitasnya dalam mengkomunikasikan aspirasi tersebut.

  1. ANALISIS SENTIMEN TERHADAP RESPON PERUBAHAN NAMA TWITTER MENJADI ‘X’ MENGGUNAKAN METODE NAÏVE... ejournal.itn.ac.id/index.php/jati/article/view/10720ANALISIS SENTIMEN TERHADAP RESPON PERUBAHAN NAMA TWITTER MENJADI AoXAo MENGGUNAKAN METODE NAyaVE ejournal itn ac index php jati article view 10720
  2. Pengaruh Klasifikasi Sentimen Pada Ulasan Produk Amazon Berbasis Rekayasa Fitur dan  K-Nearest Negihbor... jtiik.ub.ac.id/index.php/jtiik/article/view/7376Pengaruh Klasifikasi Sentimen Pada Ulasan Produk Amazon Berbasis Rekayasa Fitur danA K Nearest Negihbor jtiik ub ac index php jtiik article view 7376
  3. Deep learning for sentiment analysis: A survey - Zhang - 2018 - WIREs Data Mining and Knowledge Discovery... doi.org/10.1002/widm.1253Deep learning for sentiment analysis A survey Zhang 2018 WIREs Data Mining and Knowledge Discovery doi 10 1002 widm 1253
Read online
File size395.58 KB
Pages7
DMCAReport

Related /

ads-block-test