Penerapan Algoritma Random Forest Untuk Analisis Sentimen Komentar Di YouTube Tentang Islamofobia

Ibnu Afdhal; Rahmad Kurniawan; Iwan Iskandar; Roni Salambue; Elvia Budianita; Fadhilah Syafria

doi:10.32672/jnkti.v5i1.4004

Penerapan Algoritma Random Forest Untuk Analisis Sentimen Komentar Di YouTube Tentang Islamofobia

Ibnu Afdhal, Rahmad Kurniawan, Iwan Iskandar, Roni Salambue, Elvia Budianita, Fadhilah Syafria

Abstract

Abstrak - Islamofobia adalah bentuk prasangka, intimidasi, kebencian dan ketakutan terhadap agama Islam dan orang Muslim. Stigma islamofobia muncul karena adanya suatu kejadian pengeboman atau teror lainnya yang dihubungkan dengan Islam. Komentar yang mengarah ke islamofobia banyak dijumpai pada media sosial youtube. Islamofobia di internet merupakan salah satu bentuk kekerasan verbal. Oleh karena itu, komentar pengguna terkait suatu kejadian pengeboman atau teror berpotensi untuk dianalisis sebagai bentuk kepedulian dalam mencegah kekerasan verbal. Tetapi analisis secara manual sulit dilakukan dan memerlukan waktu yang lama. Algoritma pada pembelajaran mesin dapat digunakan untuk melakukan analisa sentimen dengan cepat. Algoritma yang digunakan pada penelitian ini adalah random forest. Berdasarkan studi pustaka, algoritma random forest dapat menghasilkan ketepatan yang tinggi. Penelitian ini menggunakan 1000 data komentar di youtube berbahasa Indonesia terkait video yang menampilkan suatu kejadian pengeboman atau teror. Berdasarkan hasil analisis, terdapat 631 komentar positif dan 369 komentar negatif atau mengandung islamofobia. Berdasarkan eksperimen, algoritma random forest menghasilkan akurasi mencapai 79%. Algoritma random forest dianggap baik dalam melakukan klasifikasi sentimen dengan cepat.

Kata kunci: analisis sentimen, islamofobia, random forest, youtube

Abstract - Islamophobia is a form of prejudice, intimidation, hatred, and fear of Islam and Muslims. The stigma of Islamophobia arises because of bombing or other terror associated with Islam. Comments that lead to Islamophobia are often found on social media youtube. Islamophobia on the internet is a form of verbal violence. Therefore, user comments related to a bombing or terror incident have the potential to be analyzed as a form of concern in preventing verbal violence. However, manual analysis is difficult and takes a long time. Algorithms in machine learning can be used to perform sentiment analysis quickly. The algorithm used in this study is a random forest. The random forest algorithm can produce high accuracy based on the literature study. This study obtained 1000 comments data on youtube in Indonesian related to videos showing a bombing or terror incident. Based on the analysis results, there were 631 positive comments and 369 islamophobia i.e., negative comments. Based on experiments, the random forest algorithm produces an accuracy of 79%. The random forest algorithm is considered good in doing sentiment classification quickly.

Keywords—islamophobia, random forest, sentiment analysis, Youtube

Keywords

analisis sentimen; islamofobia; random forest; youtube

Full Text:

PDF

References

A. Amalia and A. Haris, “Wacana Islamophobia Di Media Massa,” J. Ilm. Fak. Ilmu Komun. Univ. Islam Riau, vol. 7, no. 1, pp. 71–81, 2019.

C. A. Pradipta, “Pengaruh Islamophobia Terhadap Peningkatan Kekerasan Muslim Di Perancis,” vol. 4, no. 2, 2016.

“BNPT Sebut Terorisme Adu Domba Islam Berujung Islamofobia,” CNN Indonesia, 2021. .

M. Alkaff, A. R. Baskara, and Y. H. Wicaksono, “Sentiment Analysis of Indonesian Movie Trailer on YouTube Using Delta TF-IDF and SVM,” Banjarmasin, Indonesia, 2020.

“Dipakai 93,8% Pengguna Internet Indonesia, Youtube Jadi Medsos Terpopuler,” Solopos, 2021. .

R. Kurniawan, F. Lestari, A. S. Batubara, M. Z. A. Nazri, K. Rajab, and R. Munir, “Indonesian Lexicon-Based Sentiment Analysis of Online Religious Lectures Review,” 2021.

N. L. Ratniasih, M. Sudarma, and N. Gunantara, “Penerapan Text Mining dalam Spam Filtering untuk Aplikasi Chat,” Teknol. Elektro, vol. 16, no. 3, pp. 13–18, 2017.

E. K. Putri and T. Setiadi, “Penerapan Text Mining Pada Sistem Klasifikasi Email Spam Menggunakan Naive Bayes,” J. Sarj. Tek. Inform., vol. 2, no. 3, pp. 73–83, 2014.

Kusrini and M. Mashuri, “Sentiment Analysis In Twitter Using Lexicon Based and Polarity Multiplication,” IEEE, Yogyakarta, Indonesia, 2019.

E. Fitri, Y. Yuliani, S. Rosyida, and W. Gata, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes , Random Forest Dan Support Vector Machine,” TRANSFORMTIKA, vol. 18, no. 1, pp. 71–80, 2020.

W. Gata and A. Bayhaqy, “Analysis Sentiment About Islamophobia When Christchurch Attack On Social Media,” TELKOMNIKA, vol. 18, no. 4, pp. 1819–1827, 2020.

I. Awan, “Islamophobia on Social Media : A Qualitative Analysis of the Facebook ’ s Walls of Hate,” Int. J. Cyber Criminol., vol. 10, no. 1, pp. 1–20, 2016.

S. Al Syahdan and A. Sindar, “Data Mining Penjualan Produk Dengan Metode Apriori Pada Indomaret Galang Kota,” J. Nas. Komputasi dan Teknol. Inf., vol. 1, no. 2, 2018.

Y. Al Amrani, M. Lazaar, and K. E. El Kadiri, “Random Forest and Support Vector Machine based Hybrid Approach to Sentiment Analysis,” Procedia Comput. Sci., vol. 127, pp. 511–520, 2018.

F. Faiqah, M. Nadjib, and A. S. Amir, “Youtube Sebagai Sarana Komunikasi Bagi Komunitas Makassarvidgram,” J. Komun. KAREBA, vol. 5, no. 2, pp. 259–272, 2016.

A. Amri, “Implementasi Algoritma Random Forest Untuk Mendeteksi Hate Speech Dan Abusive Language Pada Twitter Bahasa Indonesia,” Universitas Islam Negeri Sultan Syarif Kasim Riau, 2020.

A. Deolika, Kusrini, and E. T. Luthfi, “ANALISIS PEMBOBOTAN KATA PADA KLASIFIKASI TEXT MINING,” J. Teknol. Inf., vol. 3, no. 2, pp. 179–184, 2019.

W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1750–1757, 2017.

Bahrawi, “SENTIMENT ANALYSIS USING RANDOM FOREST ALGORITHM-ONLINE SOCIAL MEDIA BASED,” J. Inf. Technol. ITS Util., vol. 2, no. 2, pp. 29–33, 2019.

Y. Chen, C. Chang, and C. Yeh, “Emotion classification of YouTube videos,” Decis. Support Syst., pp. 1–37, 2017.

P. Karthika, R. Murugeswari, and R. Manoranjithem, “Sentiment Analysis of Social Media Network Using Random Forest Algorithm,” 2019 IEEE Int. Conf. Intell. Tech. Control. Optim. Signal Process., pp. 1–5, 2019.

M. F. Rahman, M. I. Darmawidjadja, and D. Alamsah, “KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK ( RBNN ),” J. Inform., vol. 11, no. 1, pp. 36–45, 2017.

V. A. Fitri, R. Andreswari, and M. A. Hasibuan, “Sentiment Analysis of Social Media Twitter with Case of Anti- LGBT Campaign in Indonesia using Naïve Bayes , Decision Tree and Random Forest Algorithm,” Procedia Comput. Sci., vol. 161, pp. 765–772, 2019.

A. R. C and Y. Lukito, “Implementasi Sistem Crowdsourced Labelling Berbasis Web dengan Metode Weighted Majority Voting,” Ultim. InfoSys, vol. 6, no. 2, pp. 76–82, 2015.

DOI: https://doi.org/10.32672/jnkti.v5i1.4004