Sentimen Analisis Media Sosial Twitter Terhadap Layanan First Media Menggunakan Metode Naïve Bayes

Rizki Indah Pratiwi, Fikri Adams, Ermatita Ermatita, Nurul Chamidah

Abstract


Twitter merupakan salah satu media sosial yang sering digunakan oleh pelanggan untuk menyampaikan keluhan serta pendapat terkait layanan dari suatu perusahaan. Dimana pada setiap keluhan atau pendapat yang diunggah oleh pelanggan, dapat diketahui sentimen yang terkandung didalamnya. Penelitian ini bertujuan untuk mengklasifikasikan data tweet yang didalamnya mengandung sentimen positif serta negatif mengenai layanan yang diberikan oleh First Media menggunakan metode Naïve Bayes. Data tweet yang digunakan merupakan data yang diambil pada tanggal 9 sampai dengan 15 Maret 2021 dengan menyertakan @FirstMediaCares sebagai kata kunci pencarian. Dimana tweet yang telah terkumpul selanjutnya diberikan label positif dan negatif untuk memudahkan dalam pemrosesan data. Selanjutnya dari 948 tweet yang telah terkumpul, akan dibagi menjadi data uji sebanyak 30% dan data latih sebanyak 70%. Hasil evaluasi yang didapat menunjukan nilai akurasi yaitu sebesar 89.47%, dimana tahapan evaluasi berfungsi untuk mengetahui performa dari metode Naïve Bayes dalam mengklasifikasikan setiap tweet kedalam kategori negatif dan positif.


Keywords


Twitter; tweet; Naïve Bayes; analisis sentimen; evaluasi

References


Song, J. et al. (2017) ‘A novel classification approach based on Naïve Bayes for Twitter sentiment analysis’, KSII Transactions on Internet and Information Systems, 11(6), pp. 2996–3011. doi: 10.3837/tiis.2017.06.011.

Antinasari, P., Perdana, R. S. and Fauzi, M. A. (2017) ‘Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku’, 1(12), pp. 1733-1741. Available at: http://j-ptiik.ub.ac.id.

Wu, J. et al. (2015) ‘Self-adaptive attribute weighting for Naive Bayes classification’, Expert Systems with Applications, 42(3), pp.1487-1502.

Pratama, Y. et al. (2019) ‘Implementation of Sentiment Analysis on Twitter Using Naïve Bayes Algorithm to Know the People Responses to Debate of DKI Jakarta Governor Election’, Journal of Physics: Conference Series, 1175(1). doi: 10.1088/1742-6596/1175/1/01210

Liu, B. (2012). Sentiment Analysis and Opinion Mining (G. Hirst (ed.)). Morgan & Claypool. https://doi.org/10.2200/S00416ED1V01Y201204HLT016

Nurjanah, W. E., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(12), pp. 1750–1757

Patil, T. R., & Sherekar, S. S. (2013) 'Performance Analysis of Naive Bayes and J48 Classification Algorithm for Data Classification', International Journal Of Computer Science And Applications, 6(2), pp. 256-261.

Schneider, Karl-Michael. (2005). Techniques for Improving the Performance of Naive Bayes for Text Classification. In Proceedings of CICLing, pages 682-693

Manning, C. D., Raghafan, P., & Schutze, H., 2009, An Introduction to Information Retrieval, Cambridge University Press, Cambridge.

Pratama, M. O. et al. (2019) ‘The sentiment analysis of Indonesia commuter line using machine learning based on twitter data’, Journal of Physics: Conference Series, 1193(1), pp. 0–6. doi: 10.1088/1742-6596/1193/1/012029.

Herwijayanti, B., Ratnawati, D. E. and Muflikhah, L. (2018) ‘Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2, pp. 306–312.

Ekojono, Yunhasnawa, Y. & Mardhika, D., (2019). Implementasi Metode Backpropagation pada Prediksi Pemakaian Air Perbulan (Studi Kasus: PDAM Kabupaten Malang Unit Pakisaji). Jurnal Seminar Informatika Aplikatif, pp. 137- 142.

Dharma, K. K. (2011) Metodologi Penelitian Keperwatan: Panduan Melaksanakan dan Menerapkan Hasil Penelitian. Jakarta: Trans Info Media.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.