PELABELAN SEMI-OTOMATIS BERBASIS INSET LEXICON DAN TARGET-ORIENTED PADA ANALISIS SENTIMEN ISU VASEKTOMI PADA MEDIA SOSIAL X
Abstract
Analisis sentimen pada media sosial umumnya memanfaatkan pelabelan otomatis berbasis lexicon, namun pendekatan tersebut masih memiliki keterbatasan dalam memahami konteks opini yang mengandung sarkasme, bahasa informal, code-mixing, dan istilah domain spesifik. Penelitian ini mengusulkan pendekatan pelabelan semi-otomatis yang mengombinasikan Indonesia Sentiment Lexicon (InSet) dan Target-Oriented pada analisis sentimen isu vasektomi di media sosial X (Twitter). Dataset terdiri atas 3.024 opini, dengan 354 data dianotasi secara manual sebagai ground truth dan 2.670 data lainnya dilabeli secara otomatis menggunakan InSet. Selanjutnya dilakukan text preprocessing, ekstraksi fitur TF-IDF, penyeimbangan kelas menggunakan SMOTE, serta klasifikasi menggunakan Support Vector Machine (SVM) dengan kernel Linear, RBF, Polynomial, dan Sigmoid pada tiga skenario pembagian data. Hasil pengujian menunjukkan bahwa kernel Linear pada skenario 70:30 memberikan performa terbaik dengan Balanced Accuracy 74,09%, Macro Average Precision 73,32%, Macro Average Recall 74,09%, dan Macro Average F1-Score 73,64%. Hasil penelitian menunjukkan bahwa pendekatan pelabelan semi-otomatis mampu menghasilkan dataset berlabel yang lebih efektif untuk mendukung klasifikasi sentimen pada isu vasektomi di media sosial X.
Downloads
References
BPS. (2026). Statistik Indonesia 2026. Statistik Indonesia 2026. https://www.bps.go.id/id/publication/2026/02/27/a43f03f45543dc4e9942f44c/statistik-indonesia-2026.html
Sari, A. P., Rahmadini, G., Charlina, H., Ramadan, M. I., & Pradani, Z. E. (2023). Analisis Masalah Kependudukan Di Indonesia. Journal of Economic Education, 2(1), 29–37. https://online-journal.unja.ac.id/JEec/article/view/23180
Paramita, Hartati, D., Sumiati, & Sucita, T. (2025). Faktor-Faktor yang Berpengaruh Terhadap Pemilihan Jenis KB MKJP ( Metode Kontrasepsi Jangka Panjang ) Pada Akseptor KB di UPTD Puskesmas Babulu. INNOVATIVE: Journal Of Social Science Research, 5(2), 1–16. https://j-innovative.org/index.php/Innovative/article/view/18794
BKKBN. (2025). No Title. https://kampungkb.bkkbn.go.id/statistik/22/jumlah-peserta-kb-per-mix-kontrasepsi
Tempo. (2025). Dedi Mulyadi Akan Jadikan Vasektomi sebagai Syarat Terima Bansos. Tempo. https://www.tempo.co/politik/dedi-mulyadi-akan-jadikan-vasektomi-sebagai-syarat-terima-bansos-1284804
Mawaaddah. (2025). Analisis Opini Publik tagar #JanganJadiDosen pada media sosial X (Twitter). Ikraith-Humaniora, 9(2), 408–416. https://journals.upi-yai.ac.id/index.php/ikraith-humaniora/article/view/4827
DataIndonesia.id. (2025). 8 negara dengan pengguna X terbesar di Dunia. Instagram. https://www.instagram.com/p/DG8EW-zJWFh/
Widyasari, A. P. W., & Muljono, M. (2026). Sentiment Analysis of YouTube Comments on the 2025 DPR RI Demonstration Using Machine Learning. Journal of Applied Informatics and Computing (JAIC), 10(2), 1729–1740. https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/12254/3527
Mulyani, A., Khoerunisa, S., & Kurniadi, D. (2025). Comparison of KNN and SVM Algorithms Performance Using SMOTE to Classify Diabetes. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 14(1), 25–34.https://www.researchgate.net/publication/391129647_Perbandingan_Kinerja_Algoritma_KNN_dan_SVM_Menggunakan_SMOTE_untuk_Klasifikasi_Penyakit_Diabetes
Damayanti, N. M., Ariningtyas, I. D., Icham, M. I. A., & Sari, A. P. (2025). Analisis Sentimen Publik Pada Tagar # Btscomeback Di Platform X Menggunakan IndobertTweet. JITET (Jurnal Informatika Dan Teknik Elektro Terapan), 13(3). https://journal.eng.unila.ac.id/index.php/jitet/article/view/7176/3329
Hoover, A. T., Shattuck, D., & Andes, K. L. (2024). Vasectomy provider decision-making balancing autonomy and non-maleficence: qualitative interviews with providers. Gates Open Research, 7(132), 1–32. https://doi.org/10.12688/gatesopenres.15036.2
Hidayatullah, R., Abdul Fatah, D., & Yasid, A. (2025). Penerapan Algoritma K-Nearest Neighbor Pada Minat Beli Mobil Bekas Menggunakan Pendekatan Crisp-Dm. JATI (Jurnal Mahasiswa Teknik Informatika), 9(2), 2210–2217. https://doi.org/10.36040/jati.v9i2.13024
Imaddudin, S., Astuti, I., & Ruhama, S. (2025). Studi Sentimen Masyarakat terhadap PSSI di Era Erick Thohir menggunakan Algoritma Support Vector Machine (SVM) pada Media Sosial X. Jurnal Penelitian Multidisiplin Bangsa, 1(8), 1003–1013. https://doi.org/10.59837/jpnmb.v1i8.193
Koto, F., & Rahmaningtyas, G. Y. (2017). InSet Lexicon: Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs. Proceedings of the 2017 International Conference on Asian Language Processing, IALP 2017, 391–394. https://doi.org/10.1109/IALP.2017.8300625
Rahmat, Y. S., Renata, S., Belo, A., Dharmawan, W. S., Annisa, R., & Fitriana, L. A. (2026). Perbandingan Algoritma Machine learning Untuk Analisis Sentimen Aplikasi Instagram Berbasis NLP. Jurnal Komputer Teknologi Informasi Sistem Komputer, 5(1), 532–543. https://www.researchgate.net/publication/406915478_Perbandingan_Algoritma_Machine_learning_Untuk_Analisis_Sentimen_Aplikasi_Instagram_Berbasis_NLP
Alaei, A., Wang, Y., Bui, V., & Stantic, B. (2023). Target-Oriented Data Annotation for Emotion and Sentiment Analysis in Tourism Related Social Media Data. Future Internet, 15(4). https://www.mdpi.com/1999-5903/15/4/150
Afdal, M., & Elita, L. R. (2022). Penerapan Text Mining Pada Aplikasi Tokopedia Menggunakan Algoritma K-Nearest Neighbor. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 8(1), 78–87. http://dx.doi.org/10.24014/rmsi.v8i1.16595
Panjaitan, E. C. S., & Indra, E. (2025). Exploratory Data Analysis Historical Cryptocurrency Ezra. Jurnal Sistem Informasi Dan Ilmu Komputer Prima (JUSIKOMP), 8(2), 90–100. https://jurnal.unprimdn.ac.id/index.php/jusikom/article/view/6548
Salam, R. R., Jamil, M. F., Ibrahim, Y., Rahmaddeni, R., Soni, S., & Herianto, H. (2023). Sentiment Analysis of Cash Direct Assistance Distribution for Fuel Oil Using Support Vector Machine. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 27–35. https://doi.org/10.57152/malcom.v3i1.590
Aliyah Salsabila, N., Ardhito Winatmoko, Y., Akbar Septiandri, A., & Jamal, A. (2018). Colloquial Indonesian Lexicon. Proceedings of the 2018 International Conference on Asian Language Processing, IALP 2018, 226–229. https://doi.org/10.1109/IALP.2018.8629151
Hapsari, Y., Mujahidin, S., & Fadhliana, N. (2023). Analisis Sentimen Isu Vaksinasi COVID-19 Pada Twitter Menggunakan Metode Naïve Bayes dan Pembobotan TF-IDF Tokenisasi 1-2. SPECTA Journal of Technology, 7(2), 573–583. https://doi.org/10.35718/specta.v7i2.812
Yutika, C. H., Adiwijaya, A., & Faraby, S. Al. (2021). Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes. Jurnal Media Informatika Budidarma, 5(2), 422–430. https://doi.org/10.30865/mib.v5i2.2845
Darmayasa, I. N. O., ER, N. A. S., Kadyanan, I. G. A. G. A., & Karyawati, A. A. I. N. E. (2025). Pengaruh Teknik Penanganan Negasi Dalam Analisis Sentimen. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 12(2), 275–282. https://doi.org/10.25126/jtiik.2025129079
Astriningsih, W. (2023). Identifikasi Multi Aspek dan Sentimen Analisis pada Review Hotel Menggunakan Deep learning. Universitas Islam Indonesia. https://dspace.uii.ac.id/handle/123456789/46527
Baehaqi, F., & Cahyono, N. (2023). Analisis Sentimen Terhadap Cyberbullying Pada Komentar di Instagram Menggunakan Algoritma Naïve Bayes. Indonesian Journal of Computer Science, 13(1), 1051–1063. https://doi.org/10.33022/ijcs.v13i1.3301
Yanti, S. N., & Yuhandri, S. (2024). Implementasi K-Nearest Neighbor Berbasis Particle Swarm Optimization untuk Analisis Sentimen Generasi Sandwich. Jurnal KomtekInfo, 11(4), 371–379. https://doi.org/10.35134/komtekinfo.v11i4.586
Wong, J., & Yoannita, Y. (2026). IMPLEMENTASI TF-IDF DAN COSINE SIMILARITY UNTUK REKOMENDASI RESEP MASAKAN INDONESIA BERDASARKAN BAHAN MAKANAN. JATI (Jurnal Mahasiswa Teknik Informatika), 10(1), 577–584. https://ejournal.itn.ac.id/jati/article/view/16816
Nurhopipah, A., & Magnolia, C. (2022). Perbandingan Metode Resampling Pada Imbalanced Dataset Untuk Klasifikasi Komentar Program Mbkm. JUPIKOM: Jurnal Publikasi Ilmu Komputer Dan Multimedia, 1(2), 9–22. https://journalcenter.org/index.php/jupikom/article/view/862
Badriyah. (2024). Penerapan Backpropagation Neural Network Dan Myxl Di Google Play Store Oleh : Badriyah. UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM. http://etheses.uin-malang.ac.id/72767/
Ramlan, R., Satyahadewi, N., & Andani, W. (2023). Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga BBM. Jambura Journal of Mathematics, 5(2), 431–445. https://doi.org/10.34312/jjom.v5i2.20860
Nadhifah, S., Aini, F. N., Kusumawardhani, H. H., & Febrianto, M. Y. F. (2024). Analisis Sentimen Ulasan Pengguna Aplikasi pada Google Play Store Menggunakan Algoritma Support Vector Machine. Suya Informatika, 14(1), 1–6. https://doi.org/10.48144/suryainformatika.v14i1.1787
Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., & Da Silva, E. A. B. (2021). A comparative analysis of object detection metrics with a companion open-source toolkit. Electronics (Switzerland), 10(3), 1–28.
Prusty, S., Patnaik, S., & Dash, S. K. (2022). SKCV: Stratified K-fold cross-validation on ML classifiers for predicting cervical cancer. Frontiers in Nanotechnology, 4(972421), 1–12. https://doi.org/10.3389/fnano.2022.972421
Devi, D. L., Arifiyanti, A. A., & Wati, S. F. A. (2024). Analisis Sentimen Ulasan Pengguna Access By Kai Menggunakan Metode Word2Vec Dan Algoritma Svm. Jurnal Informatika Dan Teknik Elektro Terapan, 12(3). https://journal.eng.unila.ac.id/index.php/jitet/article/view/4892/1991
Afandy, S. N. (2025). Analisis Sentimen Ulasan Produk Kuliner Lokal Menggunakan Model BERT : Studi Kasus pada UMKM Pawonkoe. November, 38–48. https://jurnaldrpm.budiluhur.ac.id/index.php/Kresna/article/view/258/190
Mubarokah, A. S., Irawan, B., & Prihartono, W. (2025). Penerapan Algoritma Naïve Bayes Untuk Analisis Sentimen Ulasan Pengguna Aplikasi Akademi di Google Play Store. JITET (Jurnal Informatika Dan Teknik Elektro Terapan), 13(3), 2295–2305. https://journal.eng.unila.ac.id/index.php/jitet/article/download/6191/3536
Gupta, S. C., & Goel, N. (2025). A Weighted-Average Approach Evaluation of Multi-Class Emotion Analysis Model Using Text Mining and Machine Learning. Cureus Journal of Computer Science. https://doi.org/10.7759/s44389-025-04827-3
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). Crisp-Dm. SPSS Inc, 78, 1–78. http://www.crisp-dm.org/CRISPWP-0800.pdf
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
