Pemodelan Analisis Sentimen Masyarakat terhadap Adaptasi Kebiasaan Baru (AKB) mengunakan Algoritma Naïve Bayes
Sari
Pandemi Covid-19 hampir masuk tahun ke dua di Indonesia, pemerintah terus berupaya menekan laju peningkatan penularan Covid-19 melalui berbagai media. Sosialisasi dan informasi melalui media sosial yang merupakan wadah paling cepat untuk tersampaikan kepada masyarakat. Berbagai istilah digunakan seperti adaptasi kebiasaan baru, social distancing, PSBB sampai PPKM sehingga memicu masyarakat untuk beropini di media sosial. Penelitian ini menganalisis sentiment masyarakat terkait opini peningkatan Covid-19 dari twitter. Klasifikasi tweet menggunakan Naive Bayes dengan penambahan seleksi fitur. Penggunaan confusion matriks untuk mengetahui performance algoritma Naive Bayes. Berdasarkan pengujian, penelitian ini menghasilkan 76% dengan accuracy positif sebesar 72,727%, accuracy negatif sebesar 75% dan accuracy netral sebesar 78,947%. Sehingga disimpulkan penggunaan model klasifikasi Naive Bayes dengan fitur seleksi dapat meningkatkan akurasi.
Kata kunci: analisis sentimen, seleksi fitur, twitter crawling, naïve bayes, klasifikasi, emosi
AbstractCovid-19 pandemic is almost in its second year in Indonesia, the government continues to try to suppress the rate of increase in the transmission of Covid-19 through various media. Socialization and information through social media which is the fastest medium to be conveyed to the public. Various terms are used, such as adapting new habits, social distancing, PSBB to PPKM, thus triggering the public to share opinions on social media. This study analyzes public sentiment regarding the increasing opinion of Covid-19 from twitter. Tweet classification based on positive, negative and neutral classes using Naive Bayes with feature selection. The use of confusion matrix to determine the performance of the Naive Bayes algorithm. BasedThis Research, the results from the sentiment analysis system using the nave Bayes classifier of 76% with positive accuracy of 72.727%, negative accuracy of 75% and neutral accuracy of 78.947%. So it can be concluded that the use of the Naive Bayes classification model with the selection feature can increase accuracy.
Keywords: sentiment analysis, fitur selection twitter crawling, naïve bayes, clasification, emotion
Teks Lengkap:
PDFReferensi
Arini, Wardhani, L. K., & Octaviano, D. (2020). Perbandingan Seleksi Fitur Term Frequency & Tri-Gram Character menggunakan Algoritma Naïve Bayes Classifier pada Tweet Hashtag #2019gantipresiden. KILAT, 103 - 114.
Gunawan, B., Pratiwi, H. S., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk menggunakan Naive Bayes. Jurnal Edukasi dan Penelitian Informatika, 113-118.
Hermanto, & Noviriandini, A. (2021). ANALISA SENTIMEN TERHADAP BELAJAR ONLINE PADA MASA COVID-19. Jurnal Informatika Kaputama (JIK), 129-13.
Imron, A. (2018). Analisis Sentimen terhadap Tempat Wisata di Kabupaten Rembang menggunakan Metode Naive Bayes Classifier. Yogyakarta: Universitas islam Indonesia.
Larose, D. T. (2014). Discovering Knowledge in Data: An Introduction to Data Mining. John Willey & Sons, Inc.
Liu, B. (2012). Sentiment Analysis and Opinion Mining. Chicago: Morgan & Claypool Publisher Retrieved from. Retrieved from Chicago:.
Mubaroka, M. S., Adiwijayab, & Aldhi, M. D. (2017). Aspect-based sentiment analysis to review products using Naïve Bayes. International Conference on Mathematics: Pure, Applied and Computation (pp. 1-8). Cambridge: AIP Publishing.
Rahayu, M. I., & Zharfan, F. T. (2015). Analisis Sentimen Laporan Perkembangan Anak Didik Taman Kanak. Jurnal Teknologi Informasi dan Komunikasi, 30-36.
Ratino, Hafidz, N., Anggraeni, S., & Gata, W. (2020). Sentimen Analisis Informasi Covid-19 menggunakan Support Vector Machine dan Naïve Bayes. Jurnal JUPITER, 01-11.
Ratnawati, F. (2018). Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter. JURNAL INOVTEK POLBENG - SERI INFORMATIKA, 51-59.
Saleh, A. (2015, Desember 23). Klasifikasi Gejala Depresi Pada Manusia dengan Metode Naïve Bayes menggunakan Java. Retrieved from Digital Library STMIK AKAKOM: http://eprints.akakom.ac.id/id/eprint/452
Sim, A. X. (2013, July 01). Pengenalan Desain dan Analisis Algoritma. Retrieved from www.dev.bertzzie.com: http://dev.bertzzie.com/knowledge/analisis-algoritma/PengenalanDesaindanAnalisisAlgoritma.html#algoritma-yang-baik
Siswandi, A., Permana, A. Y., & Emarilis, A. (2021). Stemming Analysis Indonesian Language News Text with Porter. Journal of Physics: Conference Series, 01-07.
Sukmana, R. N., & Salsabilla, Z. S. (2018). Filter Bahasa Kasar menggunakan Algoritma Naïve Bayes. Jurnal Teknologi Informasi dan Komunikasi, 1-5.
Syarifuddin, M. (2020). ANALISIS SENTIMEN OPINI PUBLIK MENGENAI COVID-19 PADA TWITTER MENGGUNAKAN METODE NAÃVE BAYES DAN KNN. Inti Nusa Mandiri, 23-28.
Yuliyanti, S., & Rizky. (2020). Implementasi Algoritma Rabin Karp untuk Mendeteksi Kemiripan Dokumen STMIK Bandung. Bangkit Indonesia, 1 -6.
Yuliyanti, S., Djatna, T., & Sukoco, H. (2017). Sentiment Mining of Community Development Program Evaluation Based on Social Media. TELKOMNIKA, 1858 - 1864.
DOI: https://doi.org/10.26760/mindjournal.v6i2.155-167
Refbacks
- Saat ini tidak ada refbacks.
____________________________________________________________
ISSN (cetak) : 2338-8323 | ISSN (elektronik) : 2528-0902
diterbitkan oleh:
Informatika Institut Teknologi Nasional Bandung
Alamat : Gedung 2 Jl. PHH. Mustofa 23 Bandung 40124
Kontak : Tel. 7272215 (ext. 181)Â Fax. 7202892
Email : mind.journal@itenas.ac.id
____________________________________________________________
Statistik Pengunjung :
Jurnal ini terlisensi oleh Creative Commons Attribution-ShareAlike 4.0 International License.