Klasifikasi Sentimen Menggunakan Metode Multilayer Perceptron dengan Fitur TF-IDF: Sentiment Classification Using Multilayer Perceptron Algorithm with TF-IDF Features

Abdurrahman Arasy; Surya Agustian; Lestari Handayani; Iwan Iskandar

doi:10.57152/malcom.v5i3.2052

Authors

Abdurrahman Arasy Universitas Islam Negeri Sultan Syarif Kasim Riau
Surya Agustian Universitas Islam Negeri Sultan Syarif Kasim Riau
Lestari Handayani Universitas Islam Negeri Sultan Syarif Kasim Riau
Iwan Iskandar Universitas Islam Negeri Sultan Syarif Kasim Riau

DOI:

https://doi.org/10.57152/malcom.v5i3.2052

Keywords:

Analisis Sentimen, Klasifikasi, Multi-Layer Perceptron, Term Frequency-Inverse Document Frequency

Abstract

Media sosial, khususnya Twitter (X), telah menjadi platform utama dalam diskusi politik dan kebijakan pemerintah. Istilah dalam pengiriman pesan pada Twitter dikenal sebagai Tweet yang terdiri dari pesan dengan maksimal 280 karakter. Meskipun Tweet seringkali hanya berupateks, juga dapat menyertakan hyperlink, video, dan jenis media lainnya yang dapat digunakan untuk mengukur opini publik. penelitian ini bertujuan mengklasifikasikan sentimen masyarakat terkait pengangkatan Kaesang Pangarep sebagai Ketua Umum Partai Solidaritas Indonesia (PSI) dengan metode Multi-Layer Perceptron (MLP) Classifier dengan pendekatan Term Frequency-Inverse Document Frequency (TF-IDF) menggunakan bahasa pemograman python. Data yang digunakan terdiri dari 300 tweet, dengan 100 tweet perkelas atau opsi untuk hasil yang optimal. Tiga kategori tersebut adalah positif, netral, dan negatif. Berdasarkan penelitian yang telah dilakukan metode terbaik mencapai F1-score sebesar 0,6767 dan akurasi 0,6667. Hasil ini menunjukkan bahwa kombinasi MLP Classifier dan TF-IDF dapat mengatasi keterbatasan dataset hingga tingkat tertentu dibandingkan metode baseline. Penelitian ini juga memberikan wawasan tentang optimasi klasifikasi sentimen dalam kondisi data terbatas, yang dapat diterapkan pada topik lain dengan permasalahan serupa

Downloads

Download data is not yet available.

References

S. Kanchan and A. Gaidhane, “Social Media Role and Its Impact on Public Health: A Narrative Review,” Cureus, Jan. 2023, doi: 10.7759/cureus.33737.

H. W. A. Hanley and Z. Durumeric, “Twits, Toxic Tweets, and Tribal Tendencies: Trends in Politically Polarized Posts on Twitter,” Jul. 2023, [Online]. Available: http://arxiv.org/abs/2307.10349

M. Rodríguez-Ibánez, A. Casánez-Ventura, F. Castejón-Mateos, and P.-M. Cuenca-Jiménez, “A review on sentiment analysis from social media platforms,” Expert Syst Appl, vol. 223, p. 119862, 2023, doi: https://doi.org/10.1016/j.eswa.2023.119862.

?. Bucak, “Bayesian Inference-Recent Trends: Recent Trends,” 2024.

A. Al Bataineh, D. Kaur, and S. M. J. Jalali, “Multi-Layer Perceptron Training Optimization Using Nature Inspired Computing,” IEEE Access, vol. 10, pp. 36963–36977, 2022, doi: 10.1109/ACCESS.2022.3164669.

A. C. Cinar, “Training Feed-Forward Multi-Layer Perceptron Artificial Neural Networks with a Tree-Seed Algorithm,” Arab J Sci Eng, vol. 45, no. 12, pp. 10915–10938, Dec. 2020, doi: 10.1007/s13369-020-04872-1.

J. Asian, M. Dholah Rosita, and T. Mantoro, “Sentiment Analysis for the Brazilian Anesthesiologist Using Multi-Layer Perceptron Classifier and Random Forest Methods,” Jurnal Online Informatika, vol. 7, no. 1, p. 132, Sep. 2022, doi: 10.15575/join.v7i1.900.

I. Ali Kandhro, M. Ameen Chhajro, K. Kumar, H. N. Lashari, and U. Khan, “Student Feedback Sentiment Analysis Model Using Various Machine Learning Schemes A Review,” Indian J Sci Technol, vol. 14, no. 12, pp. 1–9, Apr. 2019, doi: 10.17485/ijst/2019/v12i14/143243.

A. K. Singh, S. Kumar, S. Bhushan, P. Kumar, and A. Vashishtha, “A Proportional Sentiment Analysis of MOOCs Course Reviews Using Supervised Learning Algorithms,” Ingénierie des systèmes d information, vol. 26, no. 5, pp. 501–506, Oct. 2021, doi: 10.18280/isi.260510.

E. R. N. Mustaqim, U. Pagalay, and C. Crysdian, “Prediksi Tingkat Kepercayaan Masyarakat Terhadap Pilpres 2024 Menggunakan Tf-IDF Dan Bow Menggunakan Metode SVM,” Jurnal Cahaya Mandalika ISSN 2721-4796 (online), vol. 5, no. 1, pp. 515–530, Jun. 2024, [Online]. Available: https://www.ojs.cahayamandalika.com/index.php/jcm/article/view/3114

A. Putri, “Eksplorasi Fitur Fasttext, Tf-IDF Dan Indobert Pada Metode K-Nearest Neighbor Untuk Klasifikasi Sentimen,” Jurnal Sistem Informasi, vol. 7, no. 1, pp. 49–60, 2025, doi: 10.31849/zn.v7i1.24779

R. Illahi, “Klasifikasi Sentimen Menggunakan Bidirectional Lstm Dan Indobert Dengan Dataset Terbatas,” Jurnal Sistem Informasi, vol. 7, no. 1, pp. 74–84, 2025, doi: 10.31849/zn.v7i1.25091

J. PRANATA, “Penggunaan Model Bahasa indoBERT pada Metode Random Forest Untuk Klasifikasi Sentimen Dengan Dataset Terbatas,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, pp. 1668–1676, 2025, doi: 10.47065/bits.v6i3.6335

Y. A. Subhi, S. Agustian, M. Irsyad, and F. Insani, “Klasifikasi Sentimen Menggunakan Metode Passive Aggressive dengan Menggunakan Model Bahasa BERT pada Dataset Kecil,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, pp. 1838–1847, Dec. 2024, doi: 10.47065/bits.v6i3.6389.

Y. EL SAPUTRA, “Klasifikasi Sentimen SVM Dengan Dataset yang Kecil Pada Kasus Kaesang Sebagai Ketua Umum PSI,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 6, pp. 2902–2908, 2024, doi: 10.30865/klik.v4i6.1944

S. .Safrizal, S. Agustian, A. Nazir, and Y. Yusra, “Klasifikasi Sentimen Terhadap Pengangkatan Kaesang Sebagai Ketua Umum Partai PSI Menggunakan Metode Support Vector Machine,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 1, Jun. 2024, doi: 10.47065/bits.v6i1.5340.

D. A. Nurdeni, I. Budi, and A. B. Santoso, “Sentiment Analysis on Covid19 Vaccines in Indonesia: From The Perspective of Sinovac and Pfizer,” in 2021 3rd East Indonesia Conference on Computer and Information Technology (EIConCIT), IEEE, Apr. 2021, pp. 122–127. doi: 10.1109/EIConCIT50028.2021.9431852.

S. SAKTHI VEL, “Pre-Processing techniques of Text Mining using Computational Linguistics and Python Libraries,” in 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), IEEE, Mar. 2021, pp. 879–884. doi: 10.1109/ICAIS50930.2021.9395924.

C. Fan, M. Chen, X. Wang, J. Wang, and B. Huang, “A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data,” Mar. 29, 2021, Frontiers Media S.A. doi: 10.3389/fenrg.2021.652801.

S. Khomsah and Agus Sasmito Aribowo, “Text-Preprocessing Model Youtube Comments in Indonesian,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 4, pp. 648–654, Aug. 2020, doi: 10.29207/resti.v4i4.2035.

D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Scientific Journal of Informatics Education, vol. 7, no. 1, Nov. 2020, doi: 10.21107/edutic.v7i1.8779.

S. Sunny, S. Pinky, S. Jalal, M. Kayser, M. Wadud, and N. Mansoor, “Bangla E-Commerce Sentiment Analysis Optimization Using Tokenization and TF-IDF,” in 2024 International Conference on Advances in Computing, Communication, Electrical, and Smart Systems (iCACCESS), IEEE, 2024, pp. 1–6. doi: 10.1109/iCACCESS61735.2024.10499476

S. Akuma, T. Lubem, and I. T. Adom, “Comparing Bag of Words and TF-IDF with different models for hate speech detection from live tweets,” International Journal of Information Technology, vol. 14, no. 7, pp. 3629–3635, 2022, doi: 10.1007/s41870-022-01096-4

E. Elgeldawi, A. Sayed, A. R. Galal, and A. M. Zaki, “Hyperparameter tuning for machine learning algorithms used for arabic sentiment analysis,” in Informatics, MDPI, 2021, p. 79. doi: 10.3390/informatics8040079

A. M. Goh and X. L. Yann, “A Novel Sentiments Analysis Model Using Perceptron Classifier,” International Journal of Electronics Engineering and Applications, vol. 10, no. 2, pp. 01–10, Sep. 2021, doi: 10.30696/IJEEA.IX.IV.2021.01-10.

J. Naskath, G. Sivakamasundari, and A. A. S. Begum, “A study on different deep learning algorithms used in deep neural nets: MLP SOM and DBN,” Wirel Pers Commun, vol. 128, no. 4, pp. 2913–2936, 2023.

B. T. Pham, M. D. Nguyen, K.-T. T. Bui, I. Prakash, K. Chapi, and D. T. Bui, “A novel artificial intelligence approach based on Multi-layer Perceptron Neural Network and Biogeography-based Optimization for predicting coefficient of consolidation of soil,” Catena (Amst), vol. 173, pp. 302–311, Feb. 2019, doi: 10.1016/j.catena.2018.10.004.