Analisis Sentimen Akun Twitter Apex Legends Menggunakan VADER

Dicky Abimanyu; Elvia Budianita; Eka Pandu Cynthia; Febi Yanto; Yusra Yusra

doi:10.32672/jnkti.v5i3.4382

Analisis Sentimen Akun Twitter Apex Legends Menggunakan VADER

Dicky Abimanyu, Elvia Budianita, Eka Pandu Cynthia, Febi Yanto, Yusra Yusra

Abstract

Abstrak - Pesatnya peningkatan jasa internet saat ini, ada banyak informasi yang dihasilkan dalam jumlah besar secara terus menerus dalam waktu yang singkat. Akhir-akhir ini, analisis sentimen dengan menggunakan ulasan dan pesan telah menjadi topik penelitian yang populer dibicarakan di bidang Natural Language Processing. Selama bertahun-tahun, permainan online telah menjadi suatu aktivitas yang tidak bisa dipisahkan dari sebagian besar orang. Apex Legends adalah salah satu contoh game yang sangat popular di seluruh dunia. Untuk mendapatkan informasi bagaimana pendapat para pemain tentang permainan ini diperlukan analisis sentimen. Pada penelitian ini dilakukan analisis sentimen menggunakan bantuan aplikasi Orange Data Mining dengan metode VADER pada akun twitter Apex Legends menggunakan data sebanyak 500 tweet. Pengujian data dilakukan dengan membandingkan hasil yang didapat menggunakan metode VADER dengan hasil pengujian pakar, yaitu native speaker dari Canada dan Amerika. VADER mengklasifikasikan data yang didapatkan melalui twitter berdasarkan nilai compound yang didapat. Penelitian ini menghasilkan kesimpulan yaitu perbandingan dari pengujian menggunakan VADER dan pengujian pakar tidak berbeda jauh, yang mana total persentase dari penggunaan metode VADER untuk menganalisis sentiment dari twitter ini adalah : Positif = 18%, Negatif = 4,6%, Netral = 73,6%. Sedangkan hasil pengujian pakar adalah : Positif = 27%, Negatif = 10,8%, Netral = 62,2%.

Kata kunci: VADER, Apex Legends, Game, Twitter, Uji Pakar

Abstract - With the rapid increase in internet services today, there is a lot of information produced in large quantities continuously in a short time. Recently, sentiment analysis using reviews and messages has become a popular research topic discussed in the Natural Language Processing field. Over the years, online gaming has become an activity that cannot be separated from most of the people. Apex Legends is one example of a game that is very popular around the world. To get information on how the players think about the game, sentiment analysis is needed. In this study, sentiment analysis was carried out using the Orange Data Mining application with the VADER method on the Apex Legends twitter account using 500 tweets (data). Data testing is done by comparing the results obtained using the VADER method with the results of expert testing, native speaker from Canada and America. VADER classifies the data obtained through twitter based on the compound value obtained. This study concludes that the comparison of testing using VADER and expert testing is not much different, where the total percentage of using the VADER method to analyze sentiment from Twitter is : Positive = 18%, Negative = 4,6%, Neutral = 73,6%. While the results of expert testing is : Positive = 27%, Negative = 10,8%, Neutral = 62,2%.

Keywords : VADER, Apex Legends, Game, Twitter, Expert Test (Uji Pakar)

Keywords

VADER, Apex Legends, Game, Twitter, Expert Test (Uji Pakar)

Full Text:

PDF

References

“Battle royale game - Wikipedia.” .

“Jumlah Pengguna Internet Dunia Tembus 5 Miliar, Online Hampir 7 Jam Sehari.” .

“The Latest Twitter Statistics: Everything You Need to Know — DataReportal – Global Digital Insights.” .

J. Garay, R. Yap, and M. J. Sabellano, “An analysis on the insights of the anti-vaccine movement from social media posts using k-means clustering algorithm and VADER sentiment analyzer,” IOP Conf. Ser. Mater. Sci. Eng., vol. 482, no. 1, 2019.

F. Aziz, A. R. Thaha, and N. Abdan, “Analisis Sentimen Destinasi Wisata Geopark Ciletuh Ujunggenteng menjadi paling terendah dibandingkan kawasan wisata Bandung dan Cirebon . Ketimpangan tingkat,” vol. 27, no. 1, pp. 60–68, 2022.

P. A. Sumitro, Rasiban, D. I. Mulyana, and W. Saputro, “Analisis Sentimen Terhadap Vaksin Covid-19 di Indonesia pada Twitter Menggunakan Metode Lexicon Based,” J-ICOM - J. Inform. dan Teknol. Komput., vol. 2, no. 2, pp. 50–56, 2021.

F. Nurhuda, S. W. Sihwi, and A. Doewes, “Analisis sentimen masyarakat terhadap calon Presiden Indonesia 2014 berdasarkan opini dari Twitter menggunakan metode Naive Bayes Classifier,” ITSmart J. Teknol. dan Inf., vol. 2, no. 2, pp. 35–42, 2013.

E. Prasetyo, “Fuzzy K-Nearest Neighbor in Every Class Untuk Klasifikasi Data Fuzzy K-Nearest Neighbor in Every Class,” Semin. Nas. Tek. Inform. (SANTIKA 2012), no. November, pp. 1–5, 2015.

A. Aradea, I. Supriana, and K. Surendro, “Segmentasi Koleksi Data Untuk Mendukung Performansi Sistem,” J. Ilm. Teknol. Infomasi Terap., vol. 2, no. 2, 2016.

N. R. S. Purba and F. Riandari, “Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Analisis Keranjang Belanja Transaksi Penjualan Pada PT Madu Kembang Joyo,” J. Nas. Komputasi dan Teknol. Inf., vol. 4, no. 1, 2021.

“R: Mining spatial, text, web, and social media data - Bater Makhabel, Pradeepta Mishra, Nathan Danneman, Richard Heimann - Google Buku.” .

S. Elbagir and J. Yang, “Language Toolkit and VADER Sentiment,” Proc. Int. MultiConference Eng. Comput. Sci., vol. 0958, pp. 12–16, 2019.

E. Hutto, C.J. and Gilbert, “VADER: A Parsimonious Rule-based Model for,” Eighth Int. AAAI Conf. Weblogs Soc. Media, p. 18, 2014.

H. Saif, M. Fernandez, Y. He, and H. Alani, “Evaluation datasets for Twitter sentiment analysis a survey and a new dataset, the STS-Gold,” CEUR Workshop Proc., vol. 1096, pp. 9–21, 2013.

M. Ghiassi and S. Lee, “A domain transferable lexicon set for Twitter sentiment analysis using a supervised machine learning approach,” Expert Syst. Appl., vol. 106, pp. 197–216, 2018.

DOI: https://doi.org/10.32672/jnkti.v5i3.4382