Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter

Fikri, Mujaddid Izzul; Sabrila, Trifebi Shina; Azhar, Yufis

doi:10.32664/smatika.v10i02.455

Cited by 63 publications

(74 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A hybrid strategy for textual sentiment categorization and the hybrid model was evaluated on the data. Deep learning based on SVMs for classification some help with image recognition [ 5 ]. SVM or ReLU is used to classify two deep learning models, a resource-constrained deep learning system it employed CNN and SVM to classify sentiment [ 6 ].…”

Section: Related Workmentioning

confidence: 99%

Deep Sentiment Analysis of Twitter Data Using a Hybrid Ghost Convolution Neural Network Model

Al-Abyadh

Iesa

Azeem³

et al. 2022

Computational Intelligence and Neuroscience

View full text Add to dashboard Cite

Several problems remain, despite the evident advantages of sentiment analysis of public opinion represented on Twitter and Facebook. On complicated training data, hybrid approaches may reduce sentiment mistakes. This research assesses the dependability of numerous hybrid approaches on a variety of datasets. Across domains and datasets, we compare hybrid models to singles. Text tweets and reviews are included in our deep sentiment analysis learning systems. The support vector machine (SVM), Long Short-Term Memory (LSTM), and ghost model convolution neural network (CNN) are combined to get the hybrid model. The dependability and computation time of each approach were evaluated. On all datasets, hybrid models outperform single models when deep learning and SVM are combined. The traditional models were less trustworthy, and deep learning algorithms have recently shown their enormous promise in sentiment analysis. Linear transformations are used in feature maps to eliminate duplicate or related features. The ghost unit makes ghost features by taking away attributes that are both similar and duplicated from each intrinsic feature. LSTM produces higher results but takes longer to process, while CNN needs less hyperparameter adjusting and monitoring. The effectiveness of the integrated model varies depending on the work, and all performed better than the others. For hybrid deep sentiment analysis learning models, LSTM networks, CNNs, and SVMs are needed. Hybrid models are used to compare SVM, LSTM, and CNN, and we tested each method’s accuracy and errors. Deep learning-SVM hybrid models improve sentiment analysis accuracy. Experimental results have shown the accuracy of the proposed model shown 91.3 percent and 91.5 percent for datasets type 1 and 8, respectively.

show abstract

Section: Related Workmentioning

confidence: 99%

Deep Sentiment Analysis of Twitter Data Using a Hybrid Ghost Convolution Neural Network Model

Al-Abyadh

Iesa

Azeem³

et al. 2022

Computational Intelligence and Neuroscience

View full text Add to dashboard Cite

show abstract

“…Tentunya ada beberapa penelitian sebelumnya yang telah dilakukan yang membahas analisis sentimen. Penelitian yang dilakukan oleh [6] membahas mengenai penggunaan feature selection weight by correlation pada algoritma Support Vector Machine dalam pengolahan analisis sentimen dengan hasil bahwa penggunaan feature selection weight by correlation dapat meningkatkan nilai Adapun penelitian yang membandingkan algoritma Naïve Bayes dengan Support Vector Machine (SVM) dilakukan oleh [8] yang menunjukkan hasil bahwa Naïve Bayes mendapatkan hasil akurasi yang lebih baik dibandingkan SVM.…”

Section: Pendahuluanunclassified

Analisis Sentimen Twitter Terhadap Menteri Indonesia Dengan Algoritma Support Vector Machine Dan Naive Bayes

Nugraha

Pebrianto

Latif

et al. 2022

E-LINK

View full text Add to dashboard Cite

Kabinet Indonesia Maju adalah kabinet pemerintahan Indonesia pada pimpinan Presiden JokoWidodo dan Wakil Presiden Ma’ruf Amin. Dengan dilantiknya para menteri di Kabinet IndonesiaMaju, tokoh politik yang memiliki jabatan dan tanggung jawab sebagai menteri dalammelaksanakan tanggung jawabnya tak lepas dari berbagai opini. Salah satu metode untukmengelompokkan kategori opini pengguna media sosial adalah sentiment analyst. Penelitian inimenggunakan dataset hasil crawling dari twitter dengan kata kunci “Menteri”. Hasil crawlingdiolah menggunakan kedua model algoritma yaitu Support Vector Machine (SVM) dan Naïve Bayes.Penelitian ini membandingkan hasil cross validation algoritma SVM dengan Naïve Bayes. Hasilcross validation dari algoritma SVM menunjukkan nilai accuracy sebesar 89,60%, recall 90,91%,precission 97,64%. untuk algoritma Naïve Bayes dihasilkan accuracy sebesar 85,74%, recall85,74%, precission 100,00%. SVM bekerja memaksimalkan margin antara dua kelas yang berbeda,Naïve Bayes sederhana menerapkan teori probabilitas untuk mencari kemungkinan terbesar dariklasifikasi. Dari hasil tersebut dapat disimpulkan kedua algoritma yang digunakan memberikansolusi untuk masalah klasifikasi dalam kasus analisis sentimen menteri, terlepas dari SVMmenghasilkan akurasi yang lebih baik.

show abstract

“…Analisis sentimen termasuk ke dalam salah satu bidang Natural Language Processing (NLP) dan merupakan suatu proses yang digunakan untuk membantu mengidentifikasi isi dari dataset yang berupa opini atau pandangan (sentimen) berbentuk teks terhadap suatu isu atau kejadian bersifat positif, negatif atau netral. Analisis sentimen merupakan bidang penelitian yang lumayan populer dan dianggap mampu memberikan keuntungan dalam berbagai aspek [2].…”

Section: Pendahuluanunclassified

“…Akurasi merupakan presentasi dari sebuah prediksi model yang dibuat. Berikut akurasi dihitung melalui persamaan (2).…”

Section: ) Evaluasiunclassified

Analisis Sentimen Pengguna Twitter Terhadap Rokok Elektrik (Vape) Di Indonesia Menggunakan Metode Naïve Bayes

Aditya¹,

Supriyati

Listyorini

2022

jipi. jurnal. ilmiah. penelitian. dan. pembelajaran. informatik

View full text Add to dashboard Cite

3) ABSTRAK Media sosial semacam Twitter ialah media komunikasi yang banyak diminati oleh penduduk Indonesia dari berbagai golongan. Banyak dari masyarakat yang mengutarakan pendapat atau opini sesuatu hal, dari hal baik, maupun hal buruk atau mencela di twitter. Karena hal ini, menjadikan rokok elektrik atau yang biasa disebut vape sebagai objek analisis, yang sudah banyak pengguna rokok elektrik atau vape di masyarakat Indonesia dari golongan remaja sampai dewasa. Menjadikan pendapat atau opini pengguna di twitter berupa tweet-tweet yang kelak diperlukan untuk analisis sentimen, dimana kita dapat menentukan sentimen dari setiap tweet, yang berupa sentimen positif, negatif, dan netral. Pengambilan informasi tweet di twitter kita memerlukan twitter API yang sudah disediakan oleh twitter developer. Menggunakan program yang dibuat memakai bahasa pemrograman python dan memakai model klasifikasi Naïve Bayes. Dari sentimen analisis yang dilakukan memakai model pengklasifikasian Naïve Bayes mendapatkan tingkat akurasi 77.5%, jumlah polarity negatif 11.7%, jumlah polarity netral 77.3%, dan jumlah positif 11%.

show abstract

Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter

Cited by 63 publications

References 3 publications

Deep Sentiment Analysis of Twitter Data Using a Hybrid Ghost Convolution Neural Network Model

Deep Sentiment Analysis of Twitter Data Using a Hybrid Ghost Convolution Neural Network Model

Analisis Sentimen Twitter Terhadap Menteri Indonesia Dengan Algoritma Support Vector Machine Dan Naive Bayes

Analisis Sentimen Pengguna Twitter Terhadap Rokok Elektrik (Vape) Di Indonesia Menggunakan Metode Naïve Bayes

Contact Info

Product

Resources

About