Pemetaan Lanskap Emosional Di Twitter: Visualisasi Sentimen Netral, Positif, dan Negatif Dengan Word Cloud

Abstract

Penelitian ini mengkaji penerapan teknik Word Clouds dalam ekstraksi sentimen pada platform Twitter, dengan fokus pada identifikasi kata dominan dalam cuitan yang dikategorikan sebagai netral, positif, dan negatif. Teknik visualisasi ini memungkinkan pemahaman yang lebih mendalam mengenai distribusi kata dan peranannya dalam representasi sentimen. Melalui Exploratory Data Analysis (EDA), penelitian ini berhasil memetakan karakteristik data, seperti tingginya kemiripan Jaccard untuk tweet netral dan pola distribusi panjang teks antara text dan selected_text. EDA juga mendasari penerapan aturan deterministik (rule-based gate) untuk menangani cuitan dengan kepastian tinggi dan membedakan kasus yang membutuhkan pendekatan berbasis model lebih lanjut, yaitu Named Entity Recognition (NER). Penerapan rekayasa fitur meta, termasuk pengukuran similarity Jaccard, selisih panjang kata, dan jumlah kata, berhasil meningkatkan presisi dalam pemetaan span sentimen pada teks mikro. Evaluasi model menggunakan similarity Jaccard menunjukkan performa yang sangat baik dengan akurasi 85%, diikuti oleh konsentrasi tinggi skor prediksi pada rentang 0,9–1,0. Temuan ini menegaskan bahwa pendekatan hibrida yang mengintegrasikan Word Clouds, analitik berbasis fitur, dan NER efektif dalam mengatasi tantangan kompleksitas bahasa informal di media sosial, seperti slang, elongation, dan ambiguity. Penelitian ini memberikan kontribusi signifikan dalam pengembangan metodologi sentiment extraction yang lebih presisi dan efisien untuk aplikasi Natural Language Processing (NLP) di platform sosial media