Analisis Sentimen Anti LGBT Di Indonesia Melalui Media Sosial Twitter

Ardras, Daffa Widoseno; Voutama, Apriade

doi:10.30736/jt.v15i1.926

Cited by 5 publications

(5 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In previous studies, research was conducted regarding the anti-LGBT campaign by (Ardras & Voutama, 2023) on Twitter social media using the Naive Bayes method on rapid miners with a data ratio of 60:40. The results showed that 55% of the data classified had neutral sentiment and 45% supported anti-LGBT, while negative perceptions arise due to public disappointment with anti-LGBT.…”

Section: Discussionmentioning

confidence: 99%

“…This proves that logistic regression is more suitable among the five methods used in the study. Recent research was also conducted by (Ardras & Voutama, 2023) regarding anti-LGBT campaigns on Twitter social media using the Naïve Bayes method on rapid miners with a data ratio of 60:40, and the results show that 55% of the data classified as neutral sentiment and 45% are in support of anti-LGBT, while negative perceptions arise due to public disappointment with anti-LGBT.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Sentiment Analysis on LGBT Issues in Indonesia With Lexicon-Based and Support Vector Machine Algorithms

Hoiriyah¹,

Qomariya²,

Darmawan³

et al. 2023

pilar

View full text Add to dashboard Cite

Non-heterosexual sexual orientation (LGBT) behavior today is one of the most pervasive issues in Indonesian culture. Because of its domino effect on social stability and physical and mental health, the phenomenon known as lesbian, gay, bisexual, and transgender (LGBT) has always been under scrutiny. The development of LGBT people in Indonesia reflects cultural changes that concern many people. Freedom of speech for LGBT people on social media has many public implications. Observation of this phenomenon gives rise to views of anomalies and discrepancies that have drawn criticism. Various attempts have been made to prevent the movement of LGBT people. However, until now, many still debate the pros and cons of this LGBT movement. The lexicon-based method uses a support vector machine to classify public opinion in TikTok video comments about LGBT issues. The lexicon-based method is used as a weighting method, and the support vector machine method is used as a classification method. The results show that the highest gain in sentiment is neutral, with percentage values of 61%, 56%, 68%, 69%, and 63%. The second is positive sentiment, with percentage values of 27%, 27%, 20%, 20%, and 29%. The rest have negative sentiments. With a relatively high accuracy of the five data sets sequentially at 93%, 89%, 95%, 97%, and 91%. This shows that the majority of Indonesians prefer to ignore the issue.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Sentiment Analysis on LGBT Issues in Indonesia With Lexicon-Based and Support Vector Machine Algorithms

Hoiriyah¹,

Qomariya²,

Darmawan³

et al. 2023

pilar

View full text Add to dashboard Cite

show abstract

“…Twitter adalah salah satu media sosial paling populer di kalangan pengguna internet [10]. Hal tersebut disebabkan oleh penggunaannya yang sederhana dan mudah, serta pemakai dapat mengungkapkan pendapat atau opini mereka dengan bebas [9].…”

Section: Pendahuluanunclassified

Analisis Sentimen Terhadap Aplikasi Gbwhatsapp Menggunakan Naive Bayes Classifier Dan Random Forest Classifier

Prasetyo,

Ridwan,

Voutama

2024

JSiI

View full text Add to dashboard Cite

Era digital memicu perkembangan berbagai macam aplikasi termasuk pengiriman pesan. Kini layanan pengiriman pesan telah bergeser menjadi berbasis internet, salah satunya aplikasi WhatsApp. Namun beberapa pihak mengembangkan varian WhatsApp yang telah dimodifikasi, salah satunya adalah GBWhatsApp. GBWhatsApp memiliki lebih kaya fitur dan secara legalitas merupakan aplikasi ilegal. CNN Indonesia sudah menjelaskan sebelumnya terkait bahaya menggunakan aplikasi WhatsApp modifikasi pada channel YouTube. Video tersebut mendapatkan banyak komentar pro-kontra mengenai aplikasi GBWhatsApp. Pada 18 Mei 2021, GBWhatsApp menjadi salah satu trending topik di Twitter. Tidak lama pada 25 Oktober 2022, WhatsApp mengalami server down. Insiden ini memicu topik pembicaraan mengenai GBWhatsApp, termasuk di Twitter. Analisis sentimen dipakai demi mencari informasi berguna yang terdapat pada dokumen yang tidak tersusun. Penelitian ini diharapkan bisa mengetahui pendapat pemakai Twitter dan penonton video tersebut terhadap aplikasi GBWhatsApp. Tujuan dari penelitian ini adalah untuk mengklasifikasi sentimen terhadap aplikasi GBWhatsApp menggunakan NBC dan RFC. Penelitian ini, menggunakan metode SEMMA yang terdiri dari tahapan sample, explore, modify, model, dan assess. Sentimen terbagi menjadi positif, negatif, dan nonsentimen. Data yang digunakan yaitu data yang berlabel positif dan negatif dari gabungan data YouTube dan Twitter yang berjumlah 1.686 data. Data yang sudah dibersihkan berjumlah 1.545 data yang terbagi menjadi 90% data training sebesar 1.391 data dan 10% data testing sebesar 154 data. Hasil penelitian menunjukkan bahwa performa algoritma NBC lebih unggul dari algoritma RFC dengan akurasi 71,43%, precision 75,81%, dan recall 61,84%, sedangkan algoritma RFC dengan akurasi 64,94%, precision 80,56%, dan recall 38,16%. Kata kunci: Analisis Sentimen, Algoritma Naive Bayes, Algoritma Random Forest, GBWhatsApp

show abstract

“…Analisis sentimen merupakan salah satu kasus text mining yang merujuk pada proses penggunaan teknik-teknik komputasional untuk mengidentifikasi, mengekstraksi, dan memahami sentimen atau opini yang terkandung dalam teks atau data unstruktural, dengan tujuan mendapatkan wawasan yang berharga dari data tersebut [6]. Analisis sentimen, sebagai bagian dari data mining dan text mining, melibatkan penggunaan berbagai algoritma dan metode komputasional dalam penerapannya [7]. Dalam penelitian ini, algoritma klasifikasi yang digunakan dalam membangun model analisis sentimen adalah Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN).…”

Section: Pendahuluanunclassified

Analisis Sentimen dan Pemodelan Ulasan Aplikasi AdaKami Menggunakan Algoritma SVM dan KNN

Putri,

Sulistiyowati,

Voutama

2023

sensi

View full text Add to dashboard Cite

Salah satu aplikasi pinjaman uang online populer di Google Play Store yaitu aplikasi AdaKami. Bagi calon pengguna, ulasan mampu memberikan detail pengalaman penggunaan aplikasi. Bagi pihak perusahaan, ulasan pengguna dapat menjadi acuan evaluasi aplikasi. Masalah yang ditemukan yaitu jumlah dan keragaman ulasan pengguna aplikasi AdaKami yang tidak efisien untuk dibaca satu per satu sehingga perlu dilakukan analisis sentimen dan pemodelan. Tujuan penelitian ini yaitu mengetahui reputasi aplikasi berdasarkan sentimen dominan dalam ulasan pengguna dan membuat model analisis sentimen yang optimal. Penelitian ini menggunakan Metode SEMMA, dengan 1.000 data ulasan bersumber dari Google Play Store, melalui proses sampling dan labelling (negatif, positif, netral). Dalam pemodelan analisis sentimen, diujicobakan tiga variabel yaitu metode pelabelan (manual dan leksikon), algoritma (SVM dan KNN) dan proporsi pembagian data (data latih : data uji = 90:10, 80:20, 70:30, 60:40 dan 50:50) yang disajikan dalam bentuk 20 skenario. Hasil penelitian menunjukkan bahwa sentimen paling dominan adalah positif dan model paling optimal yaitu model skenario 6 yang menggunakan algoritma SVM, metode pelabelan manual dan proporsi 90:10. Model tersebut memiliki performa 93% accuracy, 93% precision, 93% recall dan 92% f1-score.

show abstract

Analisis Sentimen Anti LGBT Di Indonesia Melalui Media Sosial Twitter

Cited by 5 publications

References 6 publications

Sentiment Analysis on LGBT Issues in Indonesia With Lexicon-Based and Support Vector Machine Algorithms

Sentiment Analysis on LGBT Issues in Indonesia With Lexicon-Based and Support Vector Machine Algorithms

Analisis Sentimen Terhadap Aplikasi Gbwhatsapp Menggunakan Naive Bayes Classifier Dan Random Forest Classifier

Analisis Sentimen dan Pemodelan Ulasan Aplikasi AdaKami Menggunakan Algoritma SVM dan KNN

Contact Info

Product

Resources

About