Analisis Sentimen KUHP Baru Pada Data Twitter Menggunakan Model BERT
DOI:
https://doi.org/10.61098/jkst.v1i2.10Keywords:
Analisis Sentimen, KUHP Baru, Data Twitter, Model BERTAbstract
Rancangan Undang – Undang Kitab Undang – Undang Hukum Pidana (RUU KUHP) telah disahkan pada tanggal 6 Desember 2022. RUU KUHP dianggap perlu disahkan untuk mengganti undang – undang yang lama yang masih berbasis hukum kolonial, tetapi pengesahan undang – undang ini menuai berbagai sentimen dan kritik. Masyarakat menilai banyak pasal – pasal kontroversial di dalamnya, padahal dalam perjalanan perancangannya masyarakt telah berulang kali mengkritik dan mempertanyakan pasal – pasal tersebut. Di lain hal, analisis sentimen adalah suatu persoalan dalam pemrosesan bahasa alami yang merupakan sub persoalan dari klasifikasi teks. Penelitian ini bertujuan untuk melakukan analisis sentimen dengan Bidirectional Encoder Representation From Transformers (BERT) yang berbasis deep learning. Data set yang digunakan pada penelitiain ini adalah Data Tweet pada Twitter. Hasil analisis dengan Model BERT mampu mencapai akurasi sebesar 81%. Hasil ini unggul 6% dibandingkan dengan model analisis sentimen menggunakan Support Vector Machine.
Downloads
References
M. Ekaputra and A. Kahir, Sistem Pidana di dalam KUHP dan Pengaturannya Menurut Konsep KUHP Baru. USUpress, 2010.
A. Rosman, “Daftar 13 Pasal di KUHP Baru yang Tuai Kontroversi dan Disorot Asing,” Katadata.co.id, Dec. 09, 2022.
L. A. Sias, M. Astiningrum, and K. S. Batubulan, “Implementasi Analisis Sentimen Twitter Mengenai Opini Masyarakat Terhadap RKUHP Tahun 2019,” Seminar Informatika Aplikatif Polinema, 2020.
I. Ihsan, D. Nurjanah, and H. Nurrahmi, “Sentiment Analysis RKUHP Pada Twitter Menggunakan Metode Support Vector Machine,” eProceedings of Engineering, vol. 8, no. 2, Apr. 2021.
J. Devlin, M.-W. Chang, K. Lee, K. T. Google, and A. I. Language, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.”
B. Liu, “Sentiment Analysis and Opinion Mining,” Synthesis Lectures on Human Language Technologies, vol. 5, no. 1, pp. 1–167, May 2012, doi: 10.2200/S00416ED1V01Y201204HLT016.
B. Wilie et al., “IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding,” in Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 10th International Joint Conference on Natural Language Processing, 2020, pp. 843–857.
B. Juba and H. S. Le, “Precision-Recall versus Accuracy and the Role of Large Data Sets,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, no. 01, pp. 4039–4048, Jul. 2019, doi: 10.1609/aaai.v33i01.33014039.
A. Paszke et al., “PyTorch: An Imperative Style, High-Performance Deep Learning Library,” in Proceedings of the 33rd International Conference on Neural Information Processing Systems, 2019, pp. 8026–8037.
F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011, [Online]. Available: http://scikit-learn.sourceforge.net.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Muhammad Adrinta Abdurrazzaq, Edwin Lesmana Tjiong
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
