ANALISIS EMOSI PENGGUNA MEDIA SOSIAL BERDASARKAN DURASI PENGGUNAAN HARIAN DENGAN MACHINE LEARNING

Ahmad Fauzan; Muhammad Nahidhul Umam; Robbi  Yalloh

doi:10.35316/justify.v3i2.5559

Ahmad Fauzan Teknik Informatika, Fakultas Teknik, Universitas Nurul Jadid, Indonesia
Muhammad Nahidhul Umam Teknik Informatika, Fakultas Teknik, Universitas Nurul Jadid, Indonesia
Robbi Yalloh Teknik Informatika, Fakultas Teknik, Universitas Nurul Jadid, Indonesia

10.35316/justify.v3i2.5559

Abstract

Media sosial telah menjadi bagian tak terpisahkan dari masyarakat modern. Penggunaan media sosial yang berlebihan dapat menimbulkan dampak negatif, seperti kecanduan, kecemasan, dan depresi. Penelitian ini bertujuan untuk menganalisis emosi pengguna media sosial berdasarkan durasi penggunaan harian dengan algoritma machine learning.

Penelitian ini menggunakan data dari kuesioner yang diberikan kepada pengguna media sosial. Data tersebut meliputi durasi penggunaan harian, platform media sosial yang digunakan, emosi yang muncul saat menggunakan media sosial, dan jumlah interaksi di media sosial. Algoritma machine learning kemudian digunakan untuk mengklasifikasikan emosi pengguna media sosial berdasarkan durasi penggunaan harian.

Hasil penelitian menunjukkan bahwa terdapat hubungan yang signifikan antara durasi penggunaan media sosial dengan emosi pengguna. Pengguna yang menggunakan media sosial lebih lama cenderung mengalami emosi negatif seperti kecemasan dan depresi.

Studi ini memberikan wawasan baru tentang bagaimana durasi penggunaan media sosial dapat memengaruhi emosi pengguna. Hasil studi ini dapat digunakan untuk mengembangkan strategi intervensi guna mencegah dampak negatif media sosial terhadap kesehatan mental.

References

A. R. Atmadja and A. Purwarianti, “Comparison on the rule based method and statistical based method on emotion classification for Indonesian Twitter text,” 2015 Int. Conf. Inf. Technol. Syst. Innov. ICITSI 2015 - Proc., 2016.

APJII, “Penetrasi & Perilaku Pengguna Internet Indonesia 2017,” Asos. Penyelenggara Jasa Internet Indones., pp. 1–39, 2017.

B. Subaeki, F. Gunawan, and A. R. Atmadja, “Penggunaan Metode Fuzzy Logic untuk Pemantauan Sentimen Brand pada Media Sosial,” vol. 1, no. October, pp. 56–62, 2017.

C. Strapparava and R. Mihalcea, “Learning to identify emotions in text,” Proc. 2008 ACM Symp. Appl. Comput. - SAC ’08, p. 1556, 2008.

I. Sunni and D. H. Widyantoro, “Analisis Sentimen dan Ekstraksi Topik Penentu Sentimen pada Opini Terhadap Tokoh Publik,” J. Sarj. Inst. Teknol. Bandung Bid. Tek. Elektro dan Inform., vol. 1, no. 2, pp. 200–206, 2012.

L. Sofiyana, Z. Abidin, and H. Nurhayati, “Klasifikasi Emosi Untuk Teks Berbahasa Indonesia Dengan Menggunakan K-Nearest Neighbor.” 2012.

N. W. S. Saraswati, “Text mining dengan metode naïve bayes classifier dan support vector machines untuk sentiment analysis,” 2011.

P. Ekman, “An Argument for Basic Emotions,” Cogn. Emot., vol. 6, no. 3–4, pp. 169–200, 1992.

R. Tokuhisa, K. Inui, and Y. Matsumoto, “Emotion classification using massive examples extracted from the web,” Proc. 22nd Int. Conf. Comput. Linguist. - COLING ’08, vol. 1, no. August, pp. 881–888, 2008.

S. Aman, “Recognizing emotions in text,” Www-Scf.Usc.Edu, 2007.

S. Mac Kim, “Recognising Emotions and Sentiments in Text,” University of Sydney, 2011.

W. B. Zulfikar and N. Lukman, “Perbandingan Naive Bayes Classifier dengan Nearest Neighbor untuk Identifikasi Penyakit Mata,” JOIN (Jurnal Online Inform., vol. 1, no. 2, pp. 82–86, 2016.