Analisis Sentimen dan Clustering Komentar Twitter Menggunakan Metode Lexicon-Based dan Algoritma K-Means

Abstract

ABSTRAK: 
Media sosial Twitter telah menjadi salah satu platform utama bagi masyarakat dalam menyampaikan opini dan persepsi terhadap berbagai isu publik, termasuk isu ekonomi nasional. Besarnya volume data teks yang dihasilkan menuntut adanya metode analisis yang mampu mengekstraksi informasi secara efektif. Penelitian ini bertujuan untuk memetakan opini publik di Twitter berdasarkan polaritas sentimen serta kemiripan topik pembahasan. Metode yang digunakan meliputi analisis sentimen berbasis leksikon untuk menentukan kecenderungan sentimen positif, negatif, dan netral, serta teknik clustering teks untuk mengelompokkan komentar berdasarkan kesamaan karakteristik kontennya. Data penelitian diperoleh dari hasil pengumpulan komentar Twitter yang relevan dengan isu ekonomi nasional, kemudian melalui tahapan preprocessing teks, pembobotan kata menggunakan TF-IDF, dan proses pengelompokan data. Hasil penelitian menunjukkan bahwa integrasi analisis sentimen dan clustering mampu memberikan gambaran yang lebih komprehensif mengenai pola opini publik, baik dari sisi kecenderungan sentimen maupun topik diskusi yang dominan. Temuan ini diharapkan dapat menjadi referensi dalam pemanfaatan text mining untuk analisis opini publik berbasis media sosial.

KATA KUNCI
Analisis Sentimen, Text Mining, Media Sosial, Clustering Teks, Twitter.

ABSTRACT: 
Twitter has become one of the main social media platforms for the public to express opinions and perceptions on various public issues, including national economic issues. The large volume of textual data generated requires analytical methods capable of extracting information effectively. This study aims to map public opinion on Twitter based on sentiment polarity and topic similarity. The methods employed include lexicon-based sentiment analysis to identify positive, negative, and neutral sentiments, as well as text clustering techniques to group comments according to content similarity. The research data were obtained from the collection of Twitter comments related to national economic issues, followed by text preprocessing, term weighting using TF-IDF, and clustering processes. The results indicate that the integration of sentiment analysis and text clustering provides a more comprehensive overview of public opinion patterns, both in terms of sentiment tendencies and dominant discussion topics. These findings are expected to serve as a reference for the application of text mining in social media-based public opinion analysis.

Keywords:
Sentiment Analysis, Text Mining, Social Media, Text Clustering, Twitter.