Artikel Terbaru

ANALISIS SENTIMEN PERCAKAPAN DAN JARINGAN PAHAM RADIKAL DI TWITTER MENGGUNAKAN SUPERVISED MACHINE LEARNING

Oleh   Ariq Taufiqorrahman Arsyam [23219315]
Kontributor / Dosen Pembimbing : Yusep Rosmansyah, S.T., M.Sc., Ph.D.;
Jenis Koleksi : S2 - Tesis
Penerbit : STEI - Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : Radicalism, Supervised Machine Learning, Twitter, Sentiment Analysis, Social Network Analysis, Naive Bayes
Sumber :
Staf Input/Edit : karya  
File : 1 file
Tanggal Input : 2021-03-18 10:59:03

Generic placeholder image
Thesis

Terbatas
» ITB


Latar belakang penenelitian ini adalah fenomena self-Radicalization yang dimediasi internet, dengan cara ini orang dapat melalui seluruh proses radikalisasi dari calon hingga melaksanakan operasional teroris. Narasi radikalisme menjadi ujung amplifikasi awal aksi. Narasi ini sangat berbahaya jika diterima oleh orang-orang yang krisis identitas. Narasi jika tidak dikontrol dengan baik akan menjadi berbahaya bagi kelangsungan hidup bernegara, bahkan lebih berbahaya dari terorisme itu sendiri. Penelitian ini berupaya menganalisis fenomena wacana radikalisme sebagai proses yang terencana, terpadu, sistematis, dan berkesinambungan yang dilaksanakan terhadap akun-akun terkait isu radikalisme dalam bentuk tulisan di twitter dengan analisis sentimen. Penelitian ini juga ingin menggambarkan bentuk jaringan Social Network Analysis (SNA), peran dan keterlibatan akun-akun twitter terkait paham radikalisme untuk memangkas jalur komunikasi dan intensitas amplifikasi gagasan dan ide-ide mereka. Kami melakukan kategorisasi wacana radikalisme di twitter dalam bentuk klaster-klaster sentiment, dengan menggunakan metode Supervised Machine Learning dengan algoritma naïve baiyes dan stemming Nazief & Adriani. Kami juga melakukan analisa aktivitas jaringan komunikasi, intensitas, peran dan keterlibatan akun-akun twitter dalam wacana radikalisme dipetakan menggunakan SNA dengan melakukan agregasi terhadap akun-akun twitter yang terlibat dalam percakapan. Bahwa telah dilakukan pengujian skenario dimana data latih dan data uji dari 1060 dataset dengan persentase pembagian adalah 75% untuk data latih dan 25% untuk data test. Pengujian dengan skenario ini menghasilkan nilai akurasi confusion matrix dengan tingkat kepercayaan mencapai 92%. Lebih tinggi dari penelitian sebelumnya dengan SVM yang hanya 70% sampai 83%. Hasil analisa ditemukan penolakan terhadap radikalisme diwakili sentimen negatif sebesar (44,46%), selisih tipis dibandingkan dengan sentimen positif (40,91%) mewakili kelompok yang skeptis terhadap narasi kontra radikalisme. Sedangkan sentimen netral (14,63%) mewakili kelompok ragu-ragu dan apatis terhadap kontra narasi radikalisme.