Jurnal SISFO Vol.08 No.02 (2019) 1–12
is.its.ac.id/pubs/oajis/
REVIEW METODE PENERAPAN SOCIAL NETWORK
ANALYS PADA BRAND REPUTATION
Muhammad Pramadika* , Sigit Priyanta
Departemen Ilmu Komputer dan Elektronika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada
Abstract
The rapid growth of the internet is the reason companies conduct marketing and information dissemination activities
online. One of the most popular social networks in Indonesia is Twitter, which has large data but has incomplete data
characteristics. Data from social media can be used to measure the reputation of the brand in an effort to know someone's
interest in the brand. Marketing effectiveness can be seen with Social Network Analysis (SNA) to measure market
networks. This study aims to compare the Trend Analys and Sentiment Analys methods to a brand. This will help
companies in determining marketing strategies so they can take steps to increase the ranking of brands based on their
network. This type of research is qualitative research which aims to determine the quality of the most appropriate method
to be used in measuring the reputation of a brand based on the level of user awareness on social media.
Keywords: Social Network Analysis, Brand Reputation, Analysis Trends, Sentiment Analysis, Twitter.
Abstrak
Pertumbuhan internet yang sangat pesat menjadi alasan perusahaan melakukan aktivitas pemasaran dan penyebaran
informasi secara online. Salah satu jaringan sosial terpopuler di Indonesia adalah twitter, yang memiliki data berukuran
besar tetapi memiliki karakteristik data yang tidak lengkap. Data dari media sosial tersebut dapat di manfaatkan untuk
mengukur reputasi dari brand dalam upaya mengetahui ketertarikan seseorang terhadap brand tersebut. Efektifitas
pemasaran dapat dilihat dengan Social Network Analysis (SNA) untuk mengukur jaringan pasar. Penelitian ini bertujuan
untuk membandingkan metode Trend Analys dan Sentimen Analys terhadap suatu brand. Hal ini akan membantu
perusahaan dalam menentukan strategi pemasaran agar dapat mengambil langkah untuk meningkatkan peringkat brand
berdasarkan jaringannya. Jenis penelitian adalah penelitian kualitatif yang bertujuan untuk mengetahui kualitas dari
metode yang paling tepat untuk digunakan dalam mengukur reputasi dari suatu brand berdasarkan tingkat user awareness
di media sosial.
Kata kunci: Analisis Jejaring Sosial, Reputasi Merek, Anallisis Tren, Analisis Sentimen, Twitter.
© 2019 Jurnal SISFO.
*Corresponding Author Email address: [email protected] (Muhammad Pramadika) https://doi.org/10.24089/j.sisfo.xxx
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
2
Histori Artikel: Disubmit 29-07-2018; Direvisi 22-08-2018; Diterima 06-09-2018; Tersedia online 26-09-2018
1. Pendahuluan
Jaringan sosial memainkan peran penting dalam kehidupan masyarakat saat ini. Ratusan juta orang
berpartisipasi dalam jaringan sosial dan jumlahnya tumbuh dari hari ke hari. Jaringan sosial telah menjadi
alat yang berguna dan membantu orang dalam setiap bidang kehidupan seperti di bidang pendidikan, sosisal
budaya dan ekonomi. Jaringan sosial memberi peluang untuk mengetahui dan berinteraksi satu sama lain,
berbagi dan terhubung dengan orang-orang dari berbagai tempat dan negara. Berdasarkan data dari Asosiasi
Pengusaha Jasa Internet Indonesia tahun 2017, bahwa pengguna Internet di Indonesia telah mencapai 143
Juta orang. Dari 143 Juta orang pengguna Internet di Indonesia, 95 persennya menggunakan Internet untuk
mengakses jejaring sosial, dengan Facebook dan Twitter merupakan jejaring sosial yang paling banyak
diakses.
Pada sosial media terdapat data yang berukuran besar tetapi memiliki karakteristik data yang tidak lengkap,
oleh karena itu dibutuhkan Social Network Analys (SNA) dengan berbagai macam metode untuk dapat
memberikan informasi yang kita butuhkan dan meningkatkan user awareness terhadap brand.
Social Network Analysis adalah pemetaan dan pengukuran dari hubungan dan alur antara manusia,
kelompok, organisasi, komputer atau entitas proses informasi/pengetahuan lainnya[1]. Perkembangan social
network saat ini semakin berkembang pesat. Dalam suatu komunitas social network, komunitas merupakan
wadah yang mendukung untuk saling bertukar informasi antar anggota grup . Hal ini membuat sebuah grup
pada media sosial menjadi ladang informasi, baik informasi yang disebutkan secara eksplisit ataupun secara
implisit. Pemetaan dan pengukuran alur interaksi dilengkapi dengan analisis pola alur interaksi, yang
didefinisikan sebagai Social Network Analysis
Data dari jejaring sosial dapat membantu bisnis untuk memprediksi dan memahami perilaku pasar
mereka[2]. Terdapat beberapa metode yang digunakan untuk menganalisa data yang ada di jejaring social
untuk mengetahui reputasi dari suatu brand, metode-metode tersebut dimulai dari pengembangan teknik data
mining, yang sekarang berkembang menjadi trend analysis dan mining. Sentiment analys yang berfungsi
untuk mengidentifikasi dan mengekstraksi pendapat, suasana hati, dan sikap individu dan komunitas.
Pada penelitian ini menggunakan dua jenis metode analisis tersebut yaitu analisis tren dan sentimental
analisis, yang dapat sangat bermanfaat untuk menentukan caranya orang berpikir dan menjadi emosional
pada sosial, dan terhadap reputasi dari sebuah brand. Salah satu alasan untuk menggunakan analisis tren bisa
jadi mendeteksi perilaku yang muncul atau mencurigakan yang terjadi di platform media sosial. Misalnya,
analisis tren dapat digunakan untuk melihat bagaimana kelompok orang tertentu menggunakan untuk
meluncurkan propaganda mereka atau menempa fakta tentang masalah brand tertentu. Sektor korporasi bisa
juga menggunakannya untuk mendapatkan umpan balik tentang produk mereka.
Sentimental analisis pada dasarnya mencoba menilai aspek yang berbeda dari bahasa alami yang membantu
orang untuk menemukan informasi berharga dari sejumlah besar data yang tidak terstruktur [3]. Ini
merupakan konsep yang muncul di mana emosi manusia yang berbeda ditentukan dari konten tekstual.
Sehingga memungkinkan kita untuk mengekstraksi opini dan perasaan sentimental kebanyakan orang.
Oleh karena itu pada penelitian ini akan dilakukan perbandingan antara metode trend analys dan sentiment
analys untuk mengetahui metode mana yang paling tepat untuk digunakan dalam mengetahui reputasi dari
suatu brand.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
3
2. Tinjauan Pustaka/Penelitian Sebelumnya
Berikut merupakan tinjauan pustaka terhadap beberapa teori yang dijadikan acuan atau landasan dalam
penelitian perbandingan metode penerapan Social Network Analys pada brand reputation
2.1 Interest Over Time (Postive/Negatuve)
Pada penelitian[4] yang berkaitan dengan social network analysis yakni menganalisis komentar user di sosial
media untuk mengukur level tensi social dengan metode Sentiment Analys. Sentimen orang-orang terhadap
tren tertentu sangat menentukan popularitasnya di jejaring sosial. Sifat positif dan negatif dari opini juga
sangat penting untuk kelangsungan tren. Penelitian ini dilakukan pada jejaring sosial seperti twitter yang
merupakan sosial media yang sering dipakai di indonesia [5]. Data didapatkan melalui Twitter Data API
dengan beberapa query pencarian. Untuk dataset ada tiga kelas, pertama post dengan sikap negatif, sikap
positif, dan post yang tidak relevan dengan topik. Datasetnya terdiri dari 3 topik, yakni Positif, Negatif, dan
Netral. Algoritma klasifikasi yang digunakan ialah Support Vector Machine dengan pendekatan SGD.
Respon positif dan negatif sangat penting untuk mengetahui reputasi dari sebuah brand, hal ini dapat
mengidentifikasi user dalam merespon marketing campaign. Contoh cara untuk analisis respons adalah
dengan dikirim suatu email yang berisi link menuju ke halaman web iklan. Hal itu dapat mendefinisikan
positif respon dengan mengklik link sedangkan aktifitas sebaliknya sebagai negatif respon. Metode yang
digunakan ialah Classification and Regression Trees (C&RT) model [6] .
Interest Over Time (Positive/Negative) dari pengguna jejaring sosial memiliki sifat positif dan negatif dari
opini juga sangat penting untuk kelangsungan tren. Pengguna Twitter cenderung memengaruhi pengikut
mereka sehubungan dengan pendapat mereka tentang berbagai topik dan di web pengguna yang saling
terhubung, pendapat positif atau negatif dapat meningkat dengan cepat. Minat ini dapat dianalisis dengan
menggunakan text mining pada konten Twitter untuk tren yang berbeda [7] .
Dengan mencocokkan kata-kata deskriptif yang digunakan dalam tweet di bank kata dengan kata-kata positif
dan kata-kata negatif seperti dalam Gambar 1, mengaitkan opini yang tetap untuk tweet tertentu menuju tren
tertentu. Dengan cara ini, tweet yang berbeda dipisahkan menjadi opini positif, negatif, atau netral untuk
tren tunggal. Penentuan ini dapat Mempengaruhi Minat dan Periode Relevansi Tren
Gambar 1. Proses pembentukan bank kata Positif dan Negatif [4]
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
4
Data Tweet diakumulasikan menggunakan streaming API, yang dikenal sebagai Twitter4j, yang
menyediakan Data Tweet untuk topik tertentu. Twitter 4j API. API ini dapat dengan mudah diperoleh
dengan memiliki akun Twitter dan terdaftar sebagai pengembang
Pengguna Twitter cenderung memengaruhi pengikut mereka sehubungan dengan pendapat mereka tentang
berbagai topik dan di web pengguna yang saling terhubung, pendapat positif atau negatif dapat meningkat
dengan cepat. Minat ini dapat dianalisis dengan menggunakan penambangan teks pada konten Twitter untuk
tren yang berbeda. Dengan mencocokkan kata-kata deskriptif yang digunakan dalam tweet dengan bank
dengan kata-kata positif dan kata-kata negatif, dimungkinkan untuk mengaitkan opini tetap untuk tweet
tertentu menuju tren tertentu. Dengan cara ini, satu juta tweet yang berbeda dipisahkan menjadi opini positif,
negatif, atau netral untuk tren tunggal.
Penentu ini tergantung pada kedua Acara yang Mempengaruhi Minat dan Periode Relevansi Tren. Jika ada
kekuatan luar yang memengaruhi reaksi orang-orang terhadap tren apa pun, itu akan diikuti oleh peningkatan
Minat Seiring Waktu. Demikian pula, setiap perubahan dalam Relevansi Tren menyebabkan peningkatan
yang sesuai baik dalam minat positif atau negatif. Oleh karena itu, penentu ini tergantung pada dua lainnya
dan jika ada perubahan di dalamnya, itu mencerminkan Bunga Seiring Waktu.
Selain sifat minat (positif atau negatif), penting untuk memetakan minat ini selama periode waktu tertentu.
Satu-satunya karakteristik sifat minat terhadap tren tidak cukup untuk menentukan apakah itu akan berhasil
atau tidak. Ini karena tren yang memiliki banyak komentar positif hari ini mungkin secara tak terduga
memiliki banyak komentar negatif besok, pada Gambar 2 menunjukkan hasil pengelompokkan komentar
positif dan negative dari twitter. dalam hal ini ada kemungkinan bahwa tren tersebut akan padam. Oleh
karena itu, perlu untuk mengevaluasi minat terhadap tren sehubungan dengan waktu. Dalam analisis kami,
waktu diambil sebagai fungsi hari.
Gambar 2. Hasil pengelompokan kata-kata positif dan negatif untuk analisis sentiment [4]
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
5
2.2 Sentiment Analys
Analisis sentimen bertujuan untuk mengidentifikasi dan mengekstraksi pendapat, suasana hati, dan sikap
individu dan komunitas si penulis [8]. Memberikan survei teknis pada analisis sentimen. Ketika teknik
penambangan teks dan analisis sentimen digabungkan dalam proyek pada data media sosial, hasilnya
seringkali merupakan alat deskriptif atau prediksi yang kuat. Sentimen analisis dapat dilakukan dengan
kombinasi dari klasifikasi supervised, semi-supervised dan unsupervised. Pendekatan paling popular adalah
dengan menggunakan machine learning dan lexicon
Tiga pengklasifikasi berbasis pembelajaran mesin, Naïve Bayes, Maximum Entropy and Suppor t Vector
Machines dan teknik hibrida, label propagasi, yang terdapat dalam [9] dan sejumlah masalah yang perlu
ditangani sebelum menggunakan teknik-teknik ini untuk klasifikasi sentimen diuraikan. Kelemahan yang
dilaporkan dari classifier Naïve Bayes adalah asumsi bahwa fitur tidak tergantung satu sama lain. Maximum
Entropy akan mengalami overfitting jika data tersebut tesebar, akan tetapi kinerjanya dapat ditingkatkan
dengan mengintegrasikan estimasi posteriori. Support Vector Machines dapat mengungguli teknik-teknik
lainnya, namun kelemahan utamanya adalah kesulitan dalam mengidentifikasi kata-kata penting yang
mempengaruhi proses klasifikasi karena adanya blackbox. Tinjauan ini menguraikan metode semi-
supervised yang disebut propagasi label. Teknik ini meningkatkan akurasi proses klasifikasi dengan
menggunakan grafik follow Twitter.
Leksikon dan pembelajaran mesin adalah pendekatan yang popular, pendekatan berbasis leksikon sebagai
detail menggunakan kamus kata-kata yang dianotasikan dengan orientasi semantik mereka. Pendekatan
berbasis pembelajaran membutuhkan pembuatan model dengan menggunakan classifier dengan contoh-
contoh berlabel.
Berdasarkan keterangan tersebut, terutama keberhasilan penambangan teks dan analisis sentimen pada data
media sosial untuk pengawasan [8],[9] dan pemantauan brand reputation. Diperlukan proposed framework
yang baru untuk memanfaatkan dan memproses pandangan dan pengalaman para konsumen dari merek
suatu produk yang dijadikan sebagai pembaruan status, tweet, atau komentar pada platform media sosial.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
6
Gambar 3. Proposed Framework Sentiment Analys [10]
Kerangka kerja pada Gambar 3 ini terdiri dari empat tahap: pengumpulan dan pembersihan teks; pra-
pemrosesan; analisis sentimen dan akhirnya evaluasi.
Analisis Sentimen tidak hanya didasarkan pada polaritas kata dan konsep yang negatif atau positif, tetapi
juga pada syntactical tree kalimat yang dianalisis. Sistem mencoba untuk membaca yang tersirat,
mengidentifikasi ekspresi idiomatik atau sehari-hari, memberikan interpretasi untuk negasi, memodifikasi
polaritas kata-kata berdasarkan pada kata keterangan, kata sifat, kata sambung atau kata kerja, dengan
mempertimbangkan komplemen logika fungsional khusus. Misalnya saja ketika menganalisis kalimat
Tahap ini menangani pengukuran polaritas, klasifikasi sentimen, dan klasterisasi seluruh corpus dan untuk
beberapa entitas yang ditargetkan. Kami mendekati pertanyaan-pertanyaan ini dengan menggunakan
leksikon dan metode pembelajaran
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
7
Berikut tahap dari Sentiment Analys berbasi leksikon dari penelitian[10].
2.2.1 Klasifikasi berbasis leksikon
Lexicon-Based menggunakan dictionary atau kamus lexicon untuk melakukan penilaian terhadap kata. Pada
dictionary, kata-kata dipasangkan dengan nilai polaritasnya. Yang harus dilakukan sebelum melakukan
analisis menggunakan lexicon adalah menentukan kata yang akan dianalis dari corpus. Pemilihan kata
tersebut dapat dilakukan dengan melakukan Part-Of-Speech Tagging dan lalu mencari kata-kata dengan tipe
yang ingin diambil, seperti misalnya adjective dan adverb
Dalam pendekatan berbasis leksikon, persyaratan mendasar adalah daftar kata yang sudah diberi label atau
leksikon polaritas. Untuk meningkatkan klasifikasi seperti yang dijelaskan dalam [11], kerangka pada
Gambar 4 kerja menggabungkan dua leksikon, aplikasi atau leksikon preassembled spesifik domain dan
leksikon berbasis bahasa Inggris umum yang dikembangkan dan dikelola oleh penulis [12]. Seperti
dijelaskan pada Gambar 3, persyaratan lain untuk pengklasifikasi berbasis leksikon adalah fungsi sentimen,
di mana ada beberapa opsi, salah satu skema komputasi polaritas paling dasar dijelaskan dalam [13]; semua
kata dalam korpus atau kumpulan target dibandingkan dengan kata-kata dalam leksikon, skor sentimen
keseluruhan korpus atau subset kemudian akan menjadi perbedaan antara jumlah kata-kata yang ditugaskan
secara positif dan negatif. Oleh karena itu, skor polaritas terkait untuk setiap komentar atau tweet dalam
korpus diberikan oleh:
Score = ∑ 𝑝𝑤𝑛𝑖 - ∑ 𝑛𝑤𝑚
𝑗 (1)
Di pw dan nw menunjukkan kata-kata positif dan negative masing-masing;
Sebuah komentar atau tweet memiliki sentimen positif keseluruhan jika Skor> 0,
Sebuah komentar atau tweet memiliki keseluruhan sentimen netral jika Skor = 0,
Sebuah komentar atau tweet memiliki keseluruhan sentimen negatif jika Skor <0,
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
8
Gambar 4. Alur kerja klasifikasi berdasarkan sentimen Lexicon [10]
Skor total akan divisualisasikan dan dievaluasi dengan statistik deskriptif sederhana yaitu histogram
2.2.2 Klasifikasi sentiment berbasi machine learning
Dalam pendekatan Machine Learning, persyaratan mendasar adalah set data pelatihan, yang sudah
dikodekan dengan kelas sentimen. Seperti dijelaskan pada Gambar 5 classifier di training atau dimodelkan
dengan data berlabel sedemikian rupa sehingga dokumen baru tetapi serupa diuji dengan model yang
dihasilkan untuk memprediksikan arah sentimen dokumen baru. Untuk tujuan laporan ini, Bayes naif
digunakan sebagai pengklasifikasi awal karena efisiensinya seperti yang dilaporkan dalam [14]. Kami
menganggap kata-kata fitur independen dan kemudian menggunakan setiap kejadian untuk
mengklasifikasikan tweet atau komentar ke dalam kelas sentimen yang sesuai; Ini disebut model acara
multinomial.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
9
Gambar 5. Alur kerja klasifikasi Machine Learning Sentiment [10]
Untuk menunjukkan manfaat kerangka yang diusulkan, Data dikumoulkan dari komentar dan pendapat
pengguna dari halaman Facebook 3 merek populer obat dan produk kosmetik terkait (Avon, Dove dan
OralB) menggunakan Facebook Graph API. Untuk masalah privasi, nama-nama merek akan dikodekan
secara acak sebagai Merek X, Merek Y dan Merek Z.
Leksikon yang dipasangkan kemudian digabungkan dengan slangs media sosial dan leksikon umum untuk
klasifikasi sentimen. Pada Gambar 6 menampilkan sebuah analisis perbandingan leksikon perbandingan
dilakukan atas 3 merek berbeda. sentimen keseluruhan pada ketiga merek yang condong positif, dengan
negatif: netral: rasio positif untuk Merek X, Merek Y dan Merek Z sekitar 1: 42: 175, 1: 3: 3 dan 1: 5: 5
masing-masing; Sentimen positif yang tinggi pada Merek X menegaskan komentar telah didorong oleh
hadiah.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
10
Gambar 6. Analisis sentimen perbandingan untuk Merek X, Merek Y dan Merek Z [10]
Distribusi skor ini disajikan dalam Tabel 1
Tabel 1. Distribusi skor sentimen untuk 3 merek [10]
2.3 Trend Analys
Analisis tren dalam pengertian sederhana dapat didefinisikan sebagai topik yang sering disebutkan di seluruh
aliran aktivitas pengguna media sosial [15]. Karenanya, untuk menghasilkan tren yang efektif dari konten
media sosial, kebutuhan untuk otomatis classifier menjadi perlu untuk mengurangi waktu menganalisis
jumlah data yang besar dan meningkatkan efisiensi proses analisis.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
11
Relevansi tren kepada pengguna merupakan faktor penting untuk tingkat kelangsungan hidupnya. Relevansi
dapat dikategorikan secara luas menjadi:
a) Relefansi berdasarkan waktu b) Relefansi berdasarkan lokasi c) Relefansi berdasarkan orang
Relefansi berdasarkan waktu mengaitkan tren dengan periode waktu tertentu. Misalnya, tren yang terkait dengan Olimpiade atau Pemilu suatu Negara hanya populer selama periode waktu itu dan akan segera hilang begitu acara-acara itu berakhir. Demikian pula, kompetisi dan tantangan oleh perusahaan menimbulkan banyak ketertatikan minat dari pengguna di jejaring social seperti hari belanja online nasional yang terdapat banyak tawaran menarik bagi pengguna social media, tetapi jika waktu sudah terlewat maka tren itu akan mulai menghilang juga. Relefansi berdasarkan lokasi memainkan peran utama dalam prevalensi tren. Sementara penelitian ini secara fundamental berfokus pada tren universal, penelitian juga dilakukan pada tren regional yang spesifik untuk lokasi tertentu. Tweets tentang cuaca buruk di tempat tertentu mungkin menjadi tren di wilayah itu tetapi seluruh dunia bahkan mungkin tidak menyadarinya. Demikian pula, topik yang sedang hangat seperti salju yang turun pertama di suatu wilayah tidak menyebar luas. Relefansi berdasarkan orang merupakan faktor yang sangat penting yang dikaitkan dengan tren adalah
relevansinya dengan orang. Banyak tren hanya di kunjungi sesaat. Usia, profesi, minat, dan faktor-faktor
lain menyebabkan orang berbeda bereaksi berbeda terhadap tren. Misalnya konten tentang ilmiah yang
trennya mungkin tidak diambil oleh kelompok pengguna yang lebih muda. Demikian pula, tweet atau tren
yang terkait dengan peristiwa pasar saham yang mengejutkan mungkin hanya menarik bagi orang-orang
yang tertarik pada pasar saham.
Oleh karena itu dibutuhkan analisis berdasarkan 3 relefansi tersebut dengan Trend Analys, Dalam penelitian
ini menggunakan sosial media twitter yang datanya dapat diambil menggunakan Twitter Data API
Data mengenai tweet tentang tren diasimilasi dengan menerapkan skrip PHP efisien menggunakan API
Pencarian Twitter berdasarkan permintaan pencarian tertentu. Bidang data yang dikumpulkan adalah nama
pengguna, tanggal dan waktu tweet, tweet aktual, sumber gambar, lokasi, tag hash, media lain, dan jumlah
pengikut. Namun, kita tidak menggunakan jumlah pengikut dalam analisis kami karena kami mencoba untuk
memprediksi tren seumur hidup setelah itu berasal tanpa mempertimbangkan influencer.
2.3.1 Analisi Tren menggunakan data twitter
Cara menganalisis data dari twitter adalah dengan membuat kategorisasi tweet untukmenyelidiki berapa
banyak tweet tentang tren yang positif, negatif dan netral atau diragukan, Berikut tahap kategorisasi tweet:
a. Membersihkan tweet: Tag hash, kata-kata yang tidak perlu, nama tren, dan simbol dihapus.
b. Kategorikan kata-kata terpisah: Kata-kata individual dikelompokkan sebagai positif, negatif, atau
netral berdasarkan kata bank yang ditentukan sebelumnya dari Interest Over Time
(Postive/Negatuve). Dalam hal kata-kata positif atau negatif kata sebelumnya dianalisis jika itu
adalah kata yang menguatkan atau meniadakan. Jika kata sebelumnya adalah negasi maka kata
yang tampaknya positif sebenarnya akan menjadi konotasi negatif. Kami membangun klasifikasi
sentimen dasar menggunakan multinomial Naive Bayes classifier yang pada dasarnya
menggunakan teori Bayes.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
12
c. Web Scraping: Seandainya sebuah kata tidak termasuk ke dalam salah satu dari 3 grup kata tersebut
kami menggunakan web scrapping untuk mengasimilasi sinonim kata tersebut dan mencari apakah
sinonimnya cocok dengan salah satu dari grup kata tersebut. Kata-kata yang tidak dikenal juga
diperiksa dalam kamus umum jika menggunakan bahasa gaul. Selain itu, kesalahan ejaan jika ada
diperbaiki menggunakan perangkat lunak pemeriksaan ejaan dasar. Dalam hal ini, jika kata-kata
masih tidak dikenal maka kita mengategorikannya sebagai status netral.
d. Sarkasme dan pertanyaan: Tweet yang di identifikasi sarkasme dapat diketahui dengan bantuan
alat Scrapping Web dan mencapai akurasi sekitar 50%. Demikian pula, pertanyaan diidentifikasi
dan ditangani secara berbeda. Jika tweet dimulai dengan pertanyaan, kami menggunakan data yang
mengikuti pertanyaan (jika ada) untuk menyimpulkan sentimen tweet. Jika tweet diakhiri dengan
pertanyaan, data yang mendahuluinya diberi arti penting. Seandainya pertanyaannya positif tetapi
jawabannya negatif maka tweetnya secara keseluruhan 'negatif' dan seterusnya.
Jika langkah-lanhgkah di atas sudah di lakukan, klasifikasi terakhir bergantung pada jumlah kata positif,
negatif dan netral yang ada dalam tweet dan juga jika ada pertanyaan atau komentar sarkastik di dalamnya.
Berikut cara menghitung skor trend tanpa mempertimbangkan Faktor Relevansi:
TL = (non) x (𝑛𝑜𝑝)1
𝑝𝑓 x (𝑛𝑜𝑛𝑒𝑔)𝑛𝑓 (2)
noneg - Jumlah Tweet Negatif
nop - Jumlah Tweet Positif
non-Jumlah Tweet Netral
pf - Fraksi Tweet Positif
n f - Fraksi Tweet Negatif
Peristiwa yang terjadi dapat memengaruhi minat terhadap tren tertentu. Suatu peristiwa dapat mempengaruhi
tren tertentu. Oleh karena itu Trend analys dapat memprediksi terjadinya semua peristiwa seperti itu dan
dapat memprediksi efek dari peristiwa pada tren tertentu dengan tingkat akurasi yang tinggi. Prediksi
peningkatan minat, PI diberikan oleh, PI = Relevansi acara dengan tren * (Tingkat penyebaran acara)
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
13
Trend Analys dapat dimodelkan dengan Persamaan Diferensial Orde Pertama untuk dapat di sederhanakan
dan PI dianggap dalam skala 1-10, 1 yang berarti bahwa acara tersebut tidak melakukan apa pun untuk
meningkatkan minat pada tren. Persamaan dapat digunakan untuk peristiwa apa pun untuk menentukan
peningkatan minat dalam tren. Ditemukan bahwa kedua peristiwa positif dan negatif menyumbang kurang
lebih jumlah yang sama dalam kenaikan bunga. Namun, kejadian positif cenderung meningkatkan tren
seumur hidup sedikit lebih lama dalam kebanyakan kasus. Penting untuk dicatat bahwa suatu peristiwa dapat
mempengaruhi relevansi juga. Contoh, pada Gambar 7 menampilkan kritik tentang ALS Ice Bucket
Challenge menyebabkan tren menurun dalam daya tarik universal pada relevansi tertentu.
𝑇𝐿𝑚𝑜𝑑 = PI x 𝑇𝑙𝑛𝑟𝑓 (3)
PI - Predicted Interest
nrf - New Relevance Factor (Faktor relevansi baru)
Gambar 7. Interest Over Time for ALS Ice-Bucket Challenge in year 2014 [4]
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
14
2.4 Implementasi pada Social Network Analys
Social Network Analysis (SNA) dapat dideskripsikan sebagai suatu ilmu yang mempelajari hubungan
manusia dengan bantuan teori graf [16]. SNA mempelajari struktur hubungan yang mengaitkan individu atau
unit sosial lain dan ketergantungan dalam perilaku atau sikap yang berhubungan dengan susunan hubungan
sosial. Hubungan tersebut digambarkan dengan nodes, atau bisa disebut vertices yang melambangkan aktor
atau user dan ties atau disebut juga edges, links atau connections yang melambangkan hubungan antar aktor
[17].
Terdapat lima properti jaringan dalam jejaring sosial [18] yang ditampilkan pada Tabel 2, antara lain:
Tabel 2. Tabel software dan hardware pendukung [18]
Social Netwok Analys bertugas untuk mevisualisaskan hasil dari metode di atas, agar pengguna bias
mendapatkan informasi penting dalam data yang di kumpulkan. Berikut contoh implemetasi dengan metode
trend analys dan mining seperti yang dituliskan dalam [19] yang menentukan top brand antara Bukalapak
dan Tokopedia dengan cara crawling data yang ditampilkan pada Tabel 3
Tabel 3. Hasil Crawling data [19]
Properti Jaringan Pengertian
Size Menunjukkan jumlah node dalam suatu jaringan yang melambangkan
banyak user yang berinteraksi dan menunjukkan pula jumlah edges yang
melambangkan banyak hubungan yang terjadi pada jaringan sosial
tersebut.
Modularity Menunjukkan bagaimana hubungan yang ada pada jaringan sosial dapat
membentuk kelompok yang berbeda-beda dalam suatu jaringan sosial
Diameter Jalur terdekat maksimal dalam suatu network atau bisa disebut jarak
terbesar antara sepasang node.
Average Degree Menunjukkan jumlah rata-rata hubungan yang dimiliki oleh aktor (nodes)
pada suatu jaringan sosial.
Average
Path Length
Jarak rata-rata antara satu node dengan node yang lain dalam suatu
network.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
15
Setelah pre-processing data maka dilakukan pemodelan jaringan sosial dengan metode SNA. Visualisasi
jaringan dilakukan dengan aplikasi Gephi sehingga akan terlihat nodes yang melambangkan aktor dan edges
yang melambangkan hubungan antar aktor dalam jaringan sosial. Dalam jaringan sosial yang telah
dimodelkan maka dapat dilihat properti jaringan sosial untuk membandingkan jaringan sosial antar bisnis.
Properti jaringan sosial yang dianalisis antara lain: size, modularity, diameter, average degree, average path
length dan clustering coefficient. Pada Gambar 8 dan Gambar 9 menampilkan size hasil SNA dari Bukalapak
dan Tokopedia yang menunjukkan besarnya jaringan sosial, hal ini dapat menjadi business intelligence
mengenai jumlah aktor yang melakukan interaksi dan jumlah interaksi yang terbentuk sehingga bisnis e-
commerce mengetahui tingkat awareness user terkait brand mereka. Modularity menunjukkan kelompok
yang terbentuk mengenai percakapan di media sosial. Diameter menunjukkan jarak hubungan antar aktor
yang berinterkasi, jika semakin dekat maka semakin baik dikarenakan hubungan aktor yang membicarakan
brand tersebut semakin baik. Average degree menjelaskan mengenai rata-rata hubungan pada jaringan sosial.
Average path length menandakan jumlah rata-rata akun user yang harus dilewati user tertentu untuk
berinteraksi yang dirangkum pada Tabel 4 antara Bukalapak dan Tokopedia.
Hasil perbandingan properti jaringan tersebut dapat dijadikan salah satu alternatif untuk analisa top brand
bisnis ecommerce di media sosial berdasarkan properti jaringan yang terjadi yang melambanngkan tingkat
kesadaran aktor terkait brand e-commerce
Gambar 8. Jaringan Sosial Bukalapak [19]
Gambar 9. Jaringan Sosial Tokopedia [19]
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
16
Tabel 4. Hasil Properti Jaringan [19]
3. Perbandingan Metodologi
Berikut adalah perbandingan metodologi antara sentiment analys dan trend analys terhadap reputasi dari
suatu brand
3.1 Sentiment Analys
Cara kerja sentiment analysis dalam mengambil data dapat dibagi menjadi tiga langkah, yakni klasifikasi,
evaluasi, dan visualisasi hasil.
3.1.1 Klasifikasi
Pertama, mesin perlu mengklasifikasikan data yang dinilai sebagai opini dari sebuah teks. Ada tiga metode
yang dapat dilakukan, yakni:
Machine learning: fitur-fitur di dalamnya dapat mengenali sentimen (sudut pandang seseorang) dalam
sebuah teks. Metode machine learning kini semakin bertambah populer karena dapat dinilai representatif.
Lexicon-based: menggunakan berbagai kata yang dinilai dengan skor polaritas untuk mengetahui
tanggapan masyarakat/pengguna/konsumen mengenai suatu topik. Keunggulannya adalah tidak
memerlukan data pelatihan, tapi kelemahannya adalah banyak kata yang belum termuat dalam leksikon.
Campuran: menggabungkan metode machine learning dan leksikon. Kendati jarang digunakan, metode ini
biasanya memberikan hasil yang lebih menjanjikan.
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
17
3.1.2 Evaluasi
Setelah data terklasifikasi, sentiment analysis menggunakan metrik evaluasi seperti Precision, Recall, F-
score, dan Accuracy. Proses ini juga melibatkan pengukuran rata-rata seperti makro, mikro, dan skor F1
tertimbang untuk menangani data yang masuk ke dalam dua klasifikasi atau lebih.
Metrik yang digunakan didasarkan pada keseimbangan klasifikasi set data. Secara umum, skemanya adalah
sebagai berikut: tinjauan set data, pre-processing, tokenizer, penghapusan stopwords, transformasi,
klasifikasi, dan evaluasi.
3.1.3 Visualisasi data
Visualisasi data dilakukan menggunakan bagan sesuai kebutuhan perusahaan atau siapa saja yang
memanfaatkan data-data ini. Sebagian besar orang biasanya menggunakan teknik yang sudah dikenal,
seperti grafik, histogram, atau matriks.
Namun, hasil akhir dari sentiment analysis bisa sangat bervariasi. Data yang ada dapat muncul disertai
domain lain yang terlibat. Karena itulah, teknik visualisasi data berupa wordcloud, peta interaktif, dan
gaya sparkline juga cukup efektif untuk menampilkan hasil analisis.
Sentiment analysis adalah metode untuk memperoleh data dari berbagai platform yang tersedia di internet.
Kemajuan teknologi memungkinkan mesin untuk mengenali suatu istilah yang dianggap sebagai opini
positif maupun sebaliknya.
Data-data dan opini tersebut berperan penting sebagai umpan balik produk, layanan, dan topik lainnya.
Tanpa perlu memperoleh opini secara langsung dari masyarakat, pihak penyedia telah mendapatkan evaluasi
yang penting guna mengembangkan diri.
Dibuthkan alur kerja yang tepat untuk analisis sentiment lexicon yang efisien ditujunkkan pada Gambar 10
Gambar 10. Alur kerja analisis sentimen Lexicon [20]
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
18
3.2 Trend Analys.
Analisis trend merupakan model trend umum untuk data time series dan untuk meramalkan. Analisis trend
adalah analisis yang digunakan untuk mengamati kecenderungan data secara menyeluruh pada suatu kurun
waktu yang cukup panjang.
Trend dapat dipergunakan untuk meramalkan kondisi data yang akan terjadi di masa mendatang, maupun
dapat dipergunakan untuk memprediksi data pada suatu waktu dalam kurun waktu tertentu.
3.2.1 Proses analisis data deret waktu
Dalam analisis data deret waktu, proses baku yang harus dilakukan adalah
1. Memetakan nilai atas waktu, hal ini dilakukan untuk menelaah kestationeran data, sebab jika data tidak
stasioner maka harus distasionerkan melalui proses stasioneritas.
2. Menggambarkan korelogram (gambar fungsi autokorelasi), untuk menelaah apakah autokorelasi
signifikan atau tidak, dan perlu tidaknya proses diferensi dilakukan. Jika autokorelasi data tidak
signifikan, analisis data cukup menggunakan analisis regresi sederhana data atas waktu, sedangkan jika
signifikan harus menggunakan analisis regresi deret waktu. Jika data ditransformasikan, maka proses
pemetaan data dan penggambaran korelogram, sebaiknya dilakukan juga pada data hasil transformasi,
untuk menelaah apakah proses transformasi ini sudah cukup baik dalam upaya menstasionerkan data.
3. Jika dari korelogram disimpulkan bahwa autokorelasi signifikan, maka bangun model regresi deret
waktu dan lakukan penaksiran baik dalam kawasan waktu maupun kawasan frekuensi.
4. Lakukan proses peramalan dengan metode yang sesuai dengan kondisi data dan untuk mendapatkan hasil
yang memuaskan sebaiknya gunakan metode Box-Jenkins.
3.2.2 Tujuan proses analisis data deret waktu
Ada beberapa tujuan dalam analisis data deret waktu diantaranya,
1. Deskripsi (description) : Jika ingin mempresentasikan karakter dari data yang dimiliki, seperti
kestasioneran, keberadaan komponen musiman, keberartian autokorelasi, maka tahap pertama dari
analisis data deret waktu adalah menggambarkan peta data dan korelogram, yang bertujuan :
a) Gambar peta data atas waktu untuk menelaah kestasioneran dan keberadaan komponen musiman dan
b) Gambar korelogram untuk menelaah signifikansi autokorelasi dan perlu-tidaknya transformasi data
2. Menerangkan (explanation) : Jika variabel data deret waktu lebih dari satu buah, maka pemeriksaan
dilakukan untuk menentukan apakah salah satu variabel dapat menjelaskan variabel lain, sehingga bisa
dibangun sebuah model regresi (fungsi transfer) untuk keperluan analisis data deret waktu lebih lanjut.
Sebab pada dasarnya data deret waktu adalah analisis data univariat, sehingga jika datanya bivariat atau
multivariat, maka harus di proses menjadi univariat.
3. Perkiraan (prediction) : Jika dimiliki sampel data deret waktu dan diinginkan perkiraan nilai data
berikutnya, maka proses peramalan harus dilakukan. Permalan adalah sasaran utama dari analisis data
deret waktu, yang prosesnya bisa berdasarkan karakter dari komponen data atau model regresi deret
waktu. Pengertian perkiraan (prediction) dan peramalan (forecasting), beberapa pendapat ada yang
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
19
membedakannya, sebab mereka berpendapat perkiraan adalah penaksiran (estimation) nilai dengan data
dengan tidak memperhatikan model hubungan (regresi) antara nilai data, tetapi peramalan adalah proses
penaksiran nilai data berdasarkan sebuah model hubungan fungsional antar nilai data. Tetapi kebanyakan
penulis berpendapat perkiraan dengan peramalan adalah dua proses analisis data yang sama.
4. Kontrol (control) : Proses kontrol dilakukan untuk menelaah apakah model (regresi) ramalan (perkiraan)
yang ditentukan cukup baik untuk digunakan. Sebuah model baik digunakan untuk peramalan, jika
dipenuhi modelnya cocok dan asumsinya juga dipenuhi. Sehingga proses kontrol terhadap model perlu
dilakukan untuk menelaah dipenuhi tidaknya asumsi, kecocokan bentuk model yang dibangun, ada-
tidaknya pencilan (outliers), yang analisisnya dapat dilakukan berdasarkan karakter nilai residu atau
analisis varians.
Dibuthkan alur kerja yang tepat untuk dapat analisis trend yang efisien yang ditujunkkan pada Gambar 11
Gambar 11. Flowchart dari prediksi trend analys [4]
4. Hasil dan Pembahasan
Berdasarkan dua buah metodologi di atas dapat diketahui,
Tujuan mendasar Trend Analys adalah untuk menentukan tingkat kekritisan yang berhubungan dengan kritik
atau penghargaan yang dijelaskan dalam komentar, tweet, atau blog. Teknik analisis tren juga dapat
dieksploitasi secara sistematis untuk pembuatan opini di antara massa pada umumnya. Trend analys
memproses dengan menggunakan data yang dikumpulkan dalam jangka waktu yang berjenjang, seperti
trend dalam bulan ini atau tahun ini, dan kita dapat menganalisis perkembangan tren reputasi merek kita dari
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
20
waktu ke waktu. Hasil analisis tersebut perlihatkan bagaimana orang berpikir, menilai, berpidato, dan
berpendapat masalah yang berbeda
Kelebihan Trend Analys yang menggunakan metode forecast:
a) Mampu menyesuaikan terhadap informasi dari berbagai sumber b) Mampu menyesuaikan terhadap perubahan structural secara cepat c) Mampu memperbaharui secara kontinu apabila ada informasi baru masuk
Kelemahan Trend Analys yang menggunakan metode forecast:
a) Biaya yang cukup tinggi untuk persiapan dan pelaksanaan,untuk monitoring beberapa variable dan
biaya-biaya lainnya. b) Ketergantungan yang tinggi terhadap kemampuan individu analisnya c) Seorang analisnya barangkali mempunyai insentif untuk tidak menampilkan forecast yang tidak
bias (misalnya;karena tekanan agar sesuai dengan consensus forecast)
Sentiment Analys pada dasarnya mencoba menilai berbagai macam aspek ke bahasa alami yang membantu
orang untuk menemukannya informasi berharga dari sejumlah besar tidak terstruktur data . Ini bertujuan
untuk mengetahui emosi manusia ditentukan dari konten tekstual. Untuk mengetahui pendapat orang
tentang suatu hal peristiwa dan dampaknya di masa depan (umumnya disebut sebagai sosial tren media), ada
kebutuhan untuk sistem otomatis yang dapat menganalisis data dalam jumlah besar dan menghasilkan hasil
yang diinginkan dengan tingkat akurasi tertentu sehingga seperti itu hasil dapat dibuat diterima oleh massa.
Di internet, orang menggunakan posting blog dan forum untuk mempromosikan produk atau layanan serta
mendiskusikan topik apa pun dan mengekspresikan pandangan mereka
Kelebihan Sentiment Analys yang menggunakan metode lexicon based:
a) lexicon-based memiliki performa klasifikasi yang baik pada kasus lintas domain
b) knowledge dapat ditambahkan kapan saja kedalam dictionary
Kelemahan Sentiment Analys yang menggunakan metode lexicon based:
a) pada lexicon-based tidak diperlukan training terhadap data sehingga sangat bergantung kapada
kamus
b) perlunya pembaruan kamus
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
21
5. Kesimpulan
Kesimpulan dari pembahasan adalah,
5.1 Simpulan
Sentiment Analys dengan lexicon based lebih efisien digunakan untuk prosess menentukan reputasi dari
sebuah merek, dikarenakan metode sentiment analys memproses dengan menggunakan data yang
dikumpulkan berdasarkan emosi atau sentiment seseorang atau suatu komunitas berbasis leksikon yang
memiliki klasifikasi yang baik pada kasus lintas domain, hal itu sangat efisien untuk memprediksi reputasi
dari sebuah merek. Akan tetapi sentiment analys dan trend analys dapat dipadukan untuk menghasilkan
informasi yang lebih detail
Mengukur reputasi brand menggunakan sentiment analys di jejaring sosial terhadap ketertarikan baik positif
atau akan membantu pemasar digital, firma dan perusahaan untuk memiliki keterlibatan yang personal
dengan basis pelanggan dan membantu mereka untuk membangun reputasi dari sebuah brand, cara ini akan
menghasilkan efek dari digital marketing yanag jauh lebih efisien daripada hanya membuang-buang uang
tanpa hasil yang signifikan. Reputasi dari sebuah brand bergantung pada ketertarikan masyrakat terhadap
brand dengan cara menyikapi ketertarikan mereka terhadap sebuah brand apakah positif atau negatif . Hal
ini akan membantu klien untuk menargetkan orang-orang tertentu yang akan meningkatkan hasil per modal
mereka selama proses pemasaran digital berbayar. Juga, itu akan meningkatkan jumlah penjualan dan
mengembangkan hubungan bisnis yang hebat dalam memanfaatkan komunitas jejaring sosial.
Perusahaan perlu memahami bahwa menarik konsumen dan melibatkan mereka dalam komunitas
merek/brand online dapat memperluas audiens merek dan karenanya meningkatkan kesadaran terhadap
brand dan juga meningkatkan kredibilitas merek tergantung pada jenis pesan dan percakapan yang
dikirimkan. Juga penting untuk diingat bahwa di media sosial "keaslian dan transparansi bahkan lebih
penting daripada konsistensi pesan merek" [21] .
Muhammad Pramadika / Jurnal SISFO Vol.08 No.02 (2019) 1–12
22
6. Daftar Rujukan
[1] K. Dalkir, Knowledge Management in Theory and Practice. London: The MIT Pess.
[2] M. O. Jackson, Social And Economic Networks. Princeton University Press, 2008. [3] Bloom, K., Garg, N., & Argamon, S. (2007). Extracting appraisal expressions.HLT-NAACL 2007, 308-315
[4] D. Sam Sundar & Mila Kankanala “Analyzing and PredictingLifetime of Trends Using Social Networks”. In International
Conference on Computer Communication and Informatics (ICCCI -2015) [5] D. Donchenko, N. Ovchar, N. Sadovnikova, D. Parygin, O. A. Shabalina, and D., “Analysis of Comments of Users of Social
Networks to Assess the Level of Social Tension,” Procedia Computer Science, vol. 119, pp. 359–367, 2017.
[6] J. F. Surma and A., “Data Mining in On-Line Social Network for Marketing Response Analysis. In ” IEEE Third Int’l Conference on Social Computing, vol. hlm., pp. 537–540, 2011,
[7] D. S. S. M. Kankanala, Analyzing and predicting Lifetime of trends using social networks,, 2015
[8] B. Pang and L. Lee, "Opinion Mining and Sentiment Analysis," Foundations and Trends in Information Retrieval, vol. 2, no. 1-2,
pp. 1135, January 2008
[9] S. Bhuta, A. Doshi, U. Doshi, and M. Narvekar, "A review of techniques for sentiment analysis Of Twitter data," in International
Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT), Ghaziabad, 2014, pp. 583-591 [10] H. Isah, P. Trundle, and D. Neagu, “Social Media Analysis for Product Safety using Text Mining and Sentiment Analysis”, 2014
14th UK Workshop on Computational Intelligence (UKCI), Brandford, 2014, pp. 1-7
[11] R. Heimann and N. Danneman, Social Media Mining with R.: PACKT Publishing, 2014 [12] M. Hu and B. Liu, "Mining and summarizing customer reviews," in KDD '04: Proceedings of the tenth ACM SIGKDD
international conference on Knowledge discovery and data mining, Seattle, 2004, pp. 168-177
[13] S. Gaston. (2014, June) Mining Twitter with R. [Online]. https://sites.google.com/site/miningtwitter/home [14] C. D. Manning, P. Raghavan, and H. Schtze, Introduction to Information Retrieval: Cambridge University Press, 2008.
[15] Budak, C., Agrawal, D., & El Abbadi, A. (2011). Structural trend analysis for online social networks. Proceedings of the VLDB
Endowment, 4(10), 646-656. [16] M. Tsvetovat & A. Kouznetsov, Social Network Analysis for Startups. Sebastopol: O'Reilly Media Inc., 2011
[17] J. O'Malley & P. V Marsden, The Analysis of Social Networks, Springer, 2008
[18] G. Cheliotis, Social Network Analysis (SNA), Singapore: National University of Singapore, 2010
[19] Wildan Ignatio et al, “Penentuan Top Brand Menggunakan Social Network Analysis pada E-Commerce Bukalapak dan
Tokopedia”, JIEET: Volume 02 Nomor 01, 20184
[20] Alexander Hogenboom, Flavius Frasincar, Franciska de Jong, Uzay Kaymak, “Using Rhetorical Structure in Sentiment Analysis”, Communications of the ACM, July 2015, Vol. 58 No. 7, Pages 69-77
[21] B. Macy and T. Thompson, The power of real-time social media marketing: How to attract and retain customers and grow the
bottom line in the globally connected world. USA: McGraw-Hill, 2011.