Analisis Sentimen Real-Time Media Sosial Menggunakan Edge Computing dan Apache Kafka

Ridwan Zulkifli

doi:10.32877/bt.v7i3.2372

Authors

^{(
1
)}

DOI:

https://doi.org/10.32877/bt.v7i3.2372

Keywords:

Analisis Sentimen, Apache Kafka, Edge Computing , Media Sosial, Real Time

Abstract

Penelitian ini mengusulkan sistem analisis sentimen real-time untuk data media sosial dengan mengintegrasikan arsitektur edge computing dan Apache Kafka. Seiring dengan pesatnya perkembangan teknologi informasi dan big data, analisis opini publik dari platform media sosial menuntut pemrosesan data yang cepat, efisien, dan akurat. Sistem yang dikembangkan dalam penelitian ini memanfaatkan perangkat edge untuk melakukan pre-processing data dan ekstraksi fitur secara lokal, yang bertujuan untuk mengurangi latensi dan beban jaringan sebelum data dikirim ke pusat analisis menggunakan Apache Kafka sebagai message broker. Metode ini dibandingkan dengan pendekatan berbasis cloud tradisional, dengan harapan dapat meningkatkan kecepatan dan akurasi analisis sentimen secara signifikan. Implikasi praktis dari penelitian ini adalah penyediaan solusi yang dapat diskalakan dan dioperasikan secara real-time untuk pemantauan opini publik, yang berguna dalam berbagai sektor seperti pemasaran digital, pemantauan isu sosial, deteksi krisis, dan analisis tren sosial. Hasil pengujian sistem menunjukkan bahwa integrasi antara edge computing dan Apache Kafka berhasil mempercepat proses analisis sentimen dengan peningkatan throughput yang signifikan dan penurunan latensi, tanpa mengorbankan akurasi analisis. Model analisis sentimen yang digunakan mencapai tingkat akurasi yang tinggi pada data uji. Penelitian ini juga mengidentifikasi beberapa tantangan terkait sinkronisasi data dan isu keamanan dalam sistem terdistribusi, yang dapat menjadi fokus penelitian lanjutan. Temuan ini memberikan kontribusi terhadap pengembangan sistem analitik berbasis big data untuk aplikasi real-time di dunia nyata, serta membuka peluang untuk penelitian lebih lanjut dalam mengoptimalkan kinerja dan skalabilitas sistem ini.

Downloads

Download data is not yet available.

References

E. Surahman, “Integrated Mobile Learning System (Imoles) Sebagai Upaya Mewujudkan Masyarakat Pebelajar Unggul Era Digital,” JINOTEP (Jurnal Inovasi dan Teknologi Pembelajaran) Kajian dan Riset dalam Teknologi Pembelajaran, vol. 5, no. 2, pp. 50–56, Apr. 2019, doi: 10.17977/UM031V5I22019P050.

H. Jelvehgaran Esfahani, K. Tavasoli, and A. Jabbarzadeh, “Big data and social media: A scientometrics analysis,” International Journal of Data and Network Science, vol. 3, no. 3, pp. 145–164, Feb. 2019, doi: 10.5267/j.ijdns.2019.2.007.

Y. Y. Prasetyawan, “Pengalaman Informasi Pemilih Pemula Menggunakan Media Sosial sebagai Sarana Pembelajaran Politik dalam Menentukan Pilihan Calon Presiden,” Khizanah al-Hikmah: Jurnal Ilmu Perpustakaan, Informasi, dan Kearsipan, vol. 8, no. 1, p. 21, Jun. 2020, doi: 10.24252/KAH.V8I1A3.

T. Y. Pahtoni and H. Jati, “ANALISIS SENTIMEN DATA TWITTER TERKAIT CHATGPT MENGGUNAKAN ORANGE DATA MINING,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 2, pp. 329–336, Apr. 2024, doi: 10.25126/JTIIK.20241127276.

A. A. Hassan and T. M. Hassan, “Real-Time Big Data Analytics for Data Stream Challenges: An Overview,” European Journal of Information Technologies and Computer Science, vol. 2, no. 4, pp. 1–6, Jul. 2022, doi: 10.24018/COMPUTE.2022.2.4.62.

S. Reddy and B. Reddy, “Demonstrating The Payroll Reviews Based On Data Visualization For Financial Services,” Tuijin Jishu/Journal of Propulsion Technology, vol. 44, no. 4, pp. 3921–3928, Nov. 2023, doi: 10.52783/TJJPT.V44.I4.1567.

B. Vyas, “Optimizing Data Ingestion and Streaming for AI Workloads: A Kafka-Centric Approach,” International Journal of Multidisciplinary Innovation and Research Methodology, ISSN, pp. 2068–2960, 2022.

M. Raparthi, S. Babu Dodda, and S. Maruthi, “AI-Enhanced Imaging Analytics for Precision Diagnostics in Cardiovascular Health.,” European Economic Letters (EEL), vol. 11, no. 1, Dec. 2021, doi: 10.52783/EEL.V11I1.1084.

K. Padmanaban, T. R. G. Babu, K. Karthika, B. Pattanaik, K. Dhanabhavithra, and C. Srinivasan, “Apache Kafka on Big Data Event Streaming for Enhanced Data Flows,” 8th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud), I-SMAC 2024 - Proceedings, pp. 977–983, 2024, doi: 10.1109/I-SMAC61858.2024.10714884.

A. Singh, V. Singh, A. Aggarwal, and S. Aggarwal, “Event Driven Architecture for Message Streaming data driven Microservices systems residing in distributed version control system,” in 2022 International Conference on Innovations in Science and Technology for Sustainable Development (ICISTSD), IEEE, Aug. 2022, pp. 308–312. doi: 10.1109/ICISTSD55159.2022.10010390.

H. R. Budiana et al., “Public Opinion Dynamics on Twitter: A Preliminary Analysis of Conversations Related to the 2024 General Election in Indonesia,” Journal of Law and Sustainable Development, vol. 12, no. 1, p. e2132, Jan. 2024, doi: 10.55908/sdgs.v12i1.2132.

P. A. Budiman, Marfani, and D. M. Sari, “Multi-Access Edge Computing Implemention On Tower Ecosystem Indonesia: Challenges And Visibility,” International Conference on ICT Convergence, vol. 2022-October, pp. 158–162, 2022, doi: 10.1109/ICTC55196.2022.9952477.

A. S. Muzakki, A. Fitriyah, and M. F. Rizza, “Digitalisasi Pendidikan Agama Islam Era Society 5.0: Mendorong Peningkatan Daya Saing Pendidikan di Indonesia,” Mauriduna: Journal of Islamic Studies, vol. 5, no. 2, pp. 763–773, Dec. 2024, doi: 10.37274/MAURIDUNA.V5I2.1279.

T. A. Nurlanuly and K. S.-A. K. Zhumadillaeva, “Sentiment analysis of texts from social networks based on machine learning methods for monitoring public sentiment,” Feb. 2025, Accessed: Jun. 17, 2025. [Online]. Available: https://arxiv.org/pdf/2502.17143

A. Bhowmic, S. Parua, D. Mandal, B. K. Ghosh, and R. Karmakar, “Leveraging Ensemble Learning for Enhanced Sentiment Analysis,” International Conference on Distributed Computing and Optimization Techniques, ICDCOT 2024, 2024, doi: 10.1109/ICDCOT61034.2024.10515983.

E. A. Alomari and R. Mehmood, “Smart Cities, Smarter Roads: A Review of Leveraging Cutting-Edge Technologies for Intelligent Event Detection from Social Media,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 11, pp. 364–374, 2023, doi: 10.14569/IJACSA.2023.0141137.

A. Sundareswaran and K. Lavanya, “Real-Time Vehicle Traffic Prediction in Apache Spark Using Ensemble Learning for Deep Neural Networks,” https://services.igi-global.com/resolvedoi/resolve.aspx?doi=10.4018/IJIIT.2020100102, vol. 16, no. 4, pp. 19–36, Jan. 1AD, doi: 10.4018/IJIIT.2020100102.

K. Fahd, S. Parvin, and A. De Souza-Daw, “A Framework for Real-time Sentiment Analysis of Big Data Generated by Social Media Platforms,” 2021 31st International Telecommunication Networks and Applications Conference, ITNAC 2021, pp. 30–33, 2021, doi: 10.1109/ITNAC53136.2021.9652148.

W. Chong, W. Yuen, and S. Juddoo, “Exploring Real-Time Sentiment Analysis Prototype for Retail Industry,” International Conference on Artificial Intelligence and its Applications, vol. 2023, pp. 197-204, Dec. 2023, doi: 10.59200/ICARTI.2023.028.

K. L. Tan, C. P. Lee, K. M. Lim, and K. S. M. Anbananthen, “Sentiment Analysis With Ensemble Hybrid Deep Learning Model,” IEEE Access, vol. 10, pp. 103694–103704, 2022, doi: 10.1109/ACCESS.2022.3210182.

S. George and V. Srividhya, “Performance Evaluation of Sentiment Analysis on Balanced and Imbalanced Dataset Using Ensemble Approach,” Indian J Sci Technol, vol. 15, no. 17, pp. 790-797, May 2022, doi: 10.17485/IJST/V15I17.2339.

N. Habbat, H. Nouri, H. Anoun, and L. Hassouni, “Sentiment analysis of imbalanced datasets using BERT and ensemble stacking for deep learning,” Eng Appl Artif Intell, vol. 126, Nov. 2023, doi: 10.1016/j.engappai.2023.106999.

H. Chouikhi and F. Jarray, “BERT-Based Ensemble Learning Approach for Sentiment Analysis,” Communications in Computer and Information Science, vol. 1718 CCIS, pp. 118–128, 2023, doi: 10.1007/978-3-031-35924-8_7.