Optimization Sentiments of Analysis from Tweets in myXLCare using Naïve Bayes Algorithm and Synthetic Minority Over Sampling Technique Method

Abstract

Text mining can be used to classify opinions about complaints or not complaints experienced by XL customers. This study aims to find and compare classifications in the sentiments of analysis from the view of XL customers. This dataset was derived from tweets of XL customers written on myXLCare Twitter account. In text mining techniques, “transform case”, “tokenize”, “token filters by length”, “n-gram”, “stemming” were used to build classification and sentiments of analysis. Gataframework tools were used to help during preprocessing and cleansing processes. RapidMiner is used to help create the sentiment of analysis to search and compare two different classifications methods between datasets using the Naïve Bayes algorithm only and Naïve Bayes algorithm with Synthetic Minority Over-sampling Technique (SMOTE). The results of the two methods in this study found that the highest results were using the Naïve Bayes algorithm with Synthetic Minority Over-sampling Technique (SMOTE) with an accuracy of 86.33%, precision 82.85%, and recall ratio 92.38%.

Analisis Sentimen Dengan Metode Naïve Bayes, SMOTE Dan Adaboost Pada Twitter Bank BTN

“…[4]. Kemudian yang dilakukan Dedi D. Saputra dkk, bahwa SMOTE dapat melakukan optimasi terhadap algoritma Naïve Bayes sehingga mendapatkan akurasi 86.33% dibandingkan sebelumnya yang hanya sebesar 78.88%, hal ini karena SMOTE mampu menangani permasalahan ketidakseimbangan data [5]. Serta penelitian yang dilakukan oleh Latief dkk (2021) mendapatkan bahwa algoritma Adaboost dapat memberikan prediksi permasalahan churn yang lebih akurat dibandingkan algortima XGBoost dan random forest [6].…”

Sentimen Analisis Twitter Terhadap Isolasi Diri Masyarakat Indonesia Akibat Dampak Covid-19

“…Penelitian selanjutnya yang menjadi acuan penulis dalam menyusun penelitian ini adalah penelitian yang dilakukan oleh [10]. Pada penelitian tersebut dilakukan analisis sentimen menggunakan metode naïve bayes dalam penentuan polaritas sentimen.…”

“…Gambar 1. Metodologi Penelitian Klasifikasi Sentimen Analis [10] Pada penelitian ini rancangan yg dibangun hampir sama dengan penelitian sebelumnya [10] hanya saja prosess cleansing dan preprocessing dilakukan dengan rapidminer tidak dengan framework tambahan.…”

Analisis Sentimen Omnibus Law Pada Twitter Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization

“…Algoritma klasifikasi lain yang banyak digunakan dalam analsis sentimen adalah NB, algoritma ini menghasilkan akurasi yang baik seperti pada penelitian (Gunawan et al, 2017) tentang ulasan aplikasi mobile banking user yang dilakukan dengan akurasi sebesar 94,4% dan penelitian tentang layanan customer care yang dilakukan (Saputra et al, 2020) dengan akurasi sebesar 78,88%. Optimasi PSO pada algoritma NB pada sentimen analisis terbukti dapat meningkatkan nilai akurasi sebesar 4.12% dari nilai akurasi tanpa PSO sebesar 86,62% menjadi 90,74% (Hayatin et al, 2020).…”