Analisis sentimen pada Twitter dengan menggunakan metode Naïve Bayes Classifier

Suryono, S; Luthfi, Emha Taufiq

doi:10.36802/jnanaloka.2020.v1-no2-81-86

Cited by 19 publications

(20 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sementara penelitian lain mengenai analisis sentiment juga dilakukan untuk mengetahui respon masyarakat megenai penanganan banjir di Jawa Barat menggunakan Jaringan Saraf Tiruan (JST) dengan model Multi-Layer Perceptron (MLP), dengan hasil akurasi 73,83% [2]. Analisis sentiment juga dilakukan dengan menggunakan Metode Naïve Bayes untuk melihat opini publik dari Twitter mengenai bencana alam di Kalimantan Selatan [3]. Terdapat juga beberapa sistem yang dibuat untuk penanganan bencana alam diantaranya pembuatan sistem informasi monitoring bencana [4], sistem menampilkan peta wilayah Indonesia dan titik terjadinya bencana menggunakan metode naïve bayes berdasarkan data lokasi tweet dan menghasilkan akurasi sebesar 75%.…”

Section: Pendahuluanunclassified

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Bencana Alam

Gusti

2023

Informatik : Jurnal Ilmu Komputer

View full text Add to dashboard Cite

Media sosial, terutama Twitter, telah menjadi sumber penting untuk memantau dan merespons bencana alam. Klasifikasi teks dapat membantu mengidentifikasi pesan yang terkait dengan bencana alam di twitter. Penelitian ini membandingkan kinerja dari dua metode klasifikasi: Support Vector Machine, dan Logistic Regression. Dataset yang digunakan berisi sejumlah tweet yang dikategorikan secara manual menjadi tiga kelas, yaitu darurat, non darurat dan tidak relevan. Pra-pemrosesan data dilakukan untuk membersihkan teks, menghapus tautan dan karakter tertentu, tokenisasi dan normalisasi. Selanjutnya, representasi vektor Word2vec digunakan untuk mengekstraksi fitur yang terkait. Guna mengatasi ketidakseimbangan kelas pada dataset dilakukan teknik untuk mensintesis sampel baru menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Model klasifikasi dilatih menggunakan dataset yang telah diolah dengan menggunakan Support Vector Machine, dan Logistic Regression. Kinerja kedua metode dievaluasi menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa SVM memiliki akurasi 80,41% dengan atau tanpa menggunakan metode SMOTE. Sedangkan metode Logistic Regression memiliki akurasi 63,36% tanpa SMOTE dan 70,74% dengan menggunakan SMOTE. Sehingga didapatkan bahwa metode Support Vector Machine memberikan hasil terbaik yaitu akurasi sebesar 80.41%. Penggunaan metode SMOTE tidak terlalu berpengaruh ketika menggunakan metode SVM, sedangkan dalam Logistic Regression pengguanaan SMOTE cukup berpengaruh, dengan memberikan kenaikan akurasi sebesar 28,26%. Penelitian ini dapat membantu dalam pengambilan keputusan darurat dan pemantauan bencana alam di media sosial.

show abstract

Section: Pendahuluanunclassified

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Bencana Alam

Gusti

2023

Informatik : Jurnal Ilmu Komputer

View full text Add to dashboard Cite

show abstract

“…Besarnya dampak dan manfaat analisis sentimen membuat penelitian dan aplikasi berbasis analisis sentimen berkembang pesat. Ada sekitar 20 hingga 30 perusahaan di Amerika Serikat yang berfokus pada analisis sentimen [8].…”

Section: Tinjauan Pustakaunclassified

Algoritma Decision Tree Untuk Analisis Sentimen Public Terhadap Marketplace Diindonesia

Agustina

2023

Naratif

View full text Add to dashboard Cite

Pasar online di Indonesia semakin berkembang pesat dan menjadi salah satu destinasi utama bagi pengguna internet dan media sosial. Berbagai macam layanan marketplace telah tersedia dan diakses oleh mayoritas masyarakat Indonesia. Namun, seiring dengan perkembangan tersebut, kepuasan konsumen terhadap layanan marketplace juga beragam, mulai dari yang positif, negatif, hingga netral. Banyak di antara konsumen yang mengekspresikan reaksinya di media sosial, termasuk di Twitter. Dalam penelitian ini, dilakukan analisis opini terhadap post yang dilakukan pelanggan bisnis online di Indonesia di Twitter dari berbagai macam konsumen. Namun, karena jumlah komentar yang sangat banyak, sulit untuk menyimpulkan pendapat pelanggan tentang situs belanja online yang menawarkan layanan terbaik. Bahkan, trending topik di Twitter hanya menampilkan topik hangat yang banyak dibahas tanpa kesimpulan yang jelas. Untuk mengklasifikasikan data opini umum di Twitter dari situs e-commerce, langkah pertama adalah memproses data tweet menggunakan tools Rapidminer untuk mengenali data tweet tersebut. Kemudian, digunakan algoritma decision tree untuk mengelompokkan data opini. Hasil penelitian menunjukkan bahwa dengan menggunakan cross validation, algoritma decision tree mencapai akurasi sebesar 70,27 persen, sementara menggunakan split validation mencapai akurasi 66,95 persen. Dalam hal ini, akurasi yang lebih baik tercapai dengan menggunakan cross validation. Hasil penelitian ini dapat memberikan informasi yang bermanfaat bagi pelaku bisnis online di Indonesia untuk meningkatkan kualitas layanan mereka dan meningkatkan kepuasan pelanggan. Selain itu, penelitian ini juga memberikan gambaran tentang pentingnya memanfaatkan algoritma decision tree dalam mengelompokkan data opini di media sosial, terutama di Twitter, sebagai alat untuk menganalisis sentimen konsumen terhadap suatu layanan atau produk.

show abstract

“…Pada tahap kedua proses pengujian yaitu, klasifikasi dokumen yang kategorinya tidak diketahui. Klasifikasi Naive Bayes dinilai dapat bekerja secara baik dibandingkan dengan model classifer yang lainnya [16].…”

Section: ) Filter Stopwordsunclassified

Analisis Sentimen Terhadap Vaksinasi Astra Zeneca pada Twitter Menggunakan Metode Naïve Bayes dan K-NN

Ramadhani

Wahyudin

2022

jtik

View full text Add to dashboard Cite

The number of positive examples of Coronavirus continues to grow every day, especially in Indonesia. In an effort to reduce the surge in the higher case, the government carried out vaccination programs provided free for all Indonesian people. One vaccine given to Masyara-kat is the Astra Zeneca vaccine. In the provision of these vaccines bring benefits and losses in the community, some are supported and doubtful, some even refuse. On social media Twitter, Astra Zeneca is one of the most widely discussed in social media because of the many opinions or opinions that have sprung up from various circles. Some opinions from the community on Twitter will be used as data to examine the analysis of sentiment in the Astra Zeneca vaccine that utilizes the Naïve Bayes and K-NN methods. It is expected to produce an accurate level of accuracy. Based on the results of the study found different levels of accuracy, for the use of the Naïve Bayes method produced an accuracy rate of 90.71% +/- 4.66% (Micro Average: 90.77%) while the KNN method produced an accuracy rate of 74.78% +/- 3.74% (micro Average: 74.77%).

show abstract

Analisis sentimen pada Twitter dengan menggunakan metode Naïve Bayes Classifier

Cited by 19 publications

References 1 publication

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Bencana Alam

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Bencana Alam

Algoritma Decision Tree Untuk Analisis Sentimen Public Terhadap Marketplace Diindonesia

Analisis Sentimen Terhadap Vaksinasi Astra Zeneca pada Twitter Menggunakan Metode Naïve Bayes dan K-NN

Contact Info

Product

Resources

About