Analisis Sentimen Presepsi Masyarakat Dalam Menghadapi Resesi 2023 Pada Twitter Dengan Metode Bidirectional Encoder Representations From Transformers (BERT)

Muhammad Nurcahyo Kursiyanto, Bagus Setya Rintyarna, Qurrota A’yun

Abstract


Pada tahun 2023, dunia menghadapi tantangan ekonomi yang berat akibat kombinasi faktor seperti meningkatnya inflasi, eskalasi perang Rusia-Ukraina, dan kelanjutan pandemi COVID-19. Dampak krisis global ini juga dirasakan di Indonesia, terutama dalam bentuk tingginya tingkat inflasi yang mengkhawatirkan. Para pemimpin negara, termasuk Presiden Jokowi dan Menteri Keuangan Sri Mulyani Indrawati, mengungkapkan keprihatinan atas ketidakpastian ekonomi global dan permasalahan inflasi yang semakin meningkat di dalam negeri. Untuk menghadapi situasi yang kompleks ini, berbagai penelitian dilakukan, salah satunya menggunakan model BERT dalam analisis sentimen terhadap data 2285 Tweet yang dikumpulkan dari periode 01 Januari hingga 20 Maret. Model BERT dilatih dengan 10 Epoch, menggunakan Batch size 16, dan Learning rate 5e-5, dan berhasil mencapai tingkat akurasi sebesar 95%, menunjukkan performa yang sangat baik dalam klasifikasi sentimen. Hasil penelitian menunjukkan bahwa dari total 2285 Tweet yang dianalisis, sekitar 40,41% diantaranya diklasifikasikan sebagai sentimen Positive, sementara 58,60% sisanya dikategorikan sebagai sentimen Negative. Selain itu, ditemukan bahwa jumlah Tweet dengan sentimen Negative dan Positive paling tinggi terjadi pada bulan Januari, dengan masing-masing 970 Tweet yang bersifat Negative dan 736 Tweet yang bersifat Positive. Penelitian ini memberikan gambaran mengenai pandangan dan reaksi masyarakat di media sosial terhadap kondisi ekonomi dan situasi global di tahun yang kritis ini. Dengan adanya informasi ini, para pengambil kebijakan dapat lebih memahami sentimen publik, dan diharapkan dapat mengambil langkah-langkah strategis untuk menghadapi tantangan ekonomi dan mengurangi dampak Negativenya pada masyarakat Indonesia. Dalam konteks ketidakpastian global dan situasi inflasi yang tinggi, pemahaman atas sentimen masyarakat menjadi sangat penting dalam merumuskan kebijakan ekonomi yang tepat guna menghadapi masa depan yang penuh dengan tantangan ini.

Keywords


Analisis Sentimen; Resesi 2023; Model BERT; Twitter; Inflasi

References


Abdurrazzaq, M. A., & Tjiong, E. L. (2022). Analisis Sentimen KUHP Baru Pada Data Twitter Menggunakan BERT. Jurnal Komunikasi, Sains dan Teknologi, 1(2), 83-88.

Akhmad. (2023). Analisis sentimen ulasan aplikasi dlu ferry pada google play store menggunakan bidirectional encoder representations from transformers. Analisis sentimen ulasan aplikasi dlu ferry pada google play store menggunakan bidirectional encoder representations from transformers, 13(mi), 5–24. Https://doi.org/10.30649/japk.v13i2.94

Atmaja, R. M. R. W. P. K, & Yustanti, W. (2021). Analisis Sentimen Customer Review Aplikasi Ruang Guru dengan Metode BERT (Bidirectional Encoder Representations from Transformers). Journal of Emerging Information System and Business Intelligence (JEISBI), 2(3).

Chow, M. Y. (2023). Analysis of Embedded System's Functional Requirement using BERT-based Name Entity Recognition for Extracting IO Entities. Journal of Information Processing, 31, 143-153

Hutagaol, Y. R. T., Sinurat, R. P. P., & Shalahuddin, S. M. (2022). Strategi Penguatan Keuangan Negara Dalam Menghadapi Ancaman Resesi Global 2023 Melalui Green Economy. Jurnal Pajak Dan Keuangan Negara (PKN), 4(1S), 378-385.

Kamath, U., Graham, K., & Emara, W. (2022). Transformers For Machine Learning: A Deep Dive. Chapman and Hall/CRC.

Kenton, J. D. M. W. C., & Toutanova, L. K. (2019). Bert: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of naacL-HLT (Vol. 1, p. 2).

Khurana, D., Koli, A., Khatter, K., & Singh, S. (2023). Natural language processing: state of the art, current trends and challenges. Multimedia tools and applications, 82(3), 3713-3744.

Kurniawan, B., Aldino, A. A., & Isnain, A. R. (2022). Sentimen Analisis Terhadap Kebijakan Penyelenggara Sistem Elektronik (PSE) Menggunakan Algoritma Bidirectional Encoder Representations From Transformers (BERT). Jurnal Teknologi dan Sistem Informasi, 3(4), 98-106

Kusnadi, R., Yusuf, Y., Andriantony, A., Yaputra, R. A., & Caintan, M. (2021). Analisis sentimen terhadap game genshin impact menggunakan bert. Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, 6(2), 122-129.

Nata, A., & Apridonal, Y. (2020). Kombinasi Metode Ahp Dan Mfep Dalam Upaya Meningkatkan Kualitas Penerima Bantuan Siswa Miskin. JURTEKSI (Jurnal Teknologi dan Sistem Informasi), 6(2), 179-186.

Ravichandiran, S. (2021). Getting Started with Google BERT: Build and train state-of-the-art natural language processing models using BERT. Packt Publishing Ltd

Riyantoko, P., Fahrudin, T., Prasetya, D., Trimono, T., & Timur, T. (2022). Analisis Sentimen Sederhana Menggunakan Algoritma LSTM dan BERT untuk Klasifikasi Data Spam dan Non-Spam. PROSIDING SEMINAR NASIONAL SAINS DATA, 2(1), 103-111. https://doi.org/https://doi.org/10.33005/senada.v2i1.53

Tayyab, M., & Sarkar, B. (2016). Optimal Batch Quantity In A Cleaner Multi-Stage Lean Production System With Random Defective Rate. Journal of Cleaner Production, 139, 922-934. https://doi.org/10.1016/j.jclepro.2016.08.062

Zain, M. M., Simbolon, R. N., Sulung, H., & Anwar, Z. (2021). Analisis sentimen pendapat masyarakat mengenai vaksin COVID-19 pada media sosial Twitter dengan robustly optimized Bert pretraining approach. Jurnal Komputer Terapan, 7(2), 280-289




DOI: https://doi.org/10.32528/jasie.v6i1.21073

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Jurnal Aplikasi Sistem Informasi dan Elektronika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Web Analytics

View My Stats

slot gacor slot gacor hari ini slot gacor 2025 demo slot pg slot gacor slot gacor