Analisis Sentimen Terhadap Vaksin Nusantara Pada Media Sosial Youtube Menggunakan Metode Naive Bayes Dan Seleksi Fitur Particle Swarm Optimization

Taufik Adi Prasetyo, Didit Widiyanto, Desta Sandya Prasvita

Abstract


Youtube adalah salah satu dari sekian banyak media sosial yang dapat digunakan untuk memberikan komentar yang dapat diakses masyarakat Indonesia, Penelitian kali ini, menggunakan salah satu video di youtube yang berjudul “Peneliti Utama Jawab Kontroversi Vaksin Nusantara - ROSI (1)” dan di unggah oleh akun KOMPASTV. Komentar yang diambil menggunakan komentar pertama yang diketik bukan merupakan balasan dari suatu komentar. Setelah itu dilakukan pelabelan untuk data komentar tersebut, dan dilakukan praproses teks, kemudian kata-kata tersebut diberikan bobot dengan menggunakan pembobotan TF-IDF (Term Frequency – Inverse Document Frequency). Setelah itu dilakukan seleksi fitur menggunakan PSO (Particle Swarm Optimization) hingga 1000 iterasi dan didapatkan fitur yang digunakan sejumlah 933 fitur, lalu untuk pembuatan model klasifikasi, dilakukan sampling menggunakan SMOTE, yang awalnya 645 data negatif, dan 354 positif, menjadi berimbang 645 negatif, dan 645 positif, didapatkan hasil klasifikasi menggunakan Naïve Bayes dengan akurasi 82,5%, nilai presisi 78,7%, dan nilai recall 89,1%.

Keywords


Youtube; Analisis Sentimen; Naïve Bayes; Particle Swarm Optimization

References


Drozd, B., Couvillon, E., & Suarez, A. (2018). Medical YouTube Videos and Methods of Evaluation: Literature

Review. JMIR Med Educ 2018;4(1):e3.

Miranda, L. J. (2018). PySwarms: a research toolkit for Particle Swarm. Journal of Open Source Software, 433.

W. Satriaji, & R Kusumaningrum. (2018). Effect of Synthetic Minority Oversampling Technique (SMOTE),

Feature Representation, and Classification Algorithm on Imbalanced Sentiment Analysis. 2nd International

Conference on Informatics and Computational Sciences (ICICoS).

Siringoringo, R. (2018). KLASIFIKASI DATA TIDAK SEIMBANG MENGGUNAKAN ALGORITMA SMOTE

DAN k-NEAREST NEIGHBOR. Jurnal ISD Vol.3, 44-49.

Huda, A. S., Awangga, R. M., & Fathonah, R. N. (2020). Prediksi Penerimaan Pegawai Baru Dengan Metode

Naïve Bayes.

Afrianti, E., Fathoni, & Heroza, R. I. (2020). Klasifikasi Teks dengan Naïve Bayes Classifier (NBC) untuk

Pengelompokan Keterangan Laporan dan Durasi Recovery Time Laporan Gangguan Listrik PT. PLN (Persero)

WS2JB Area Palembang. JSI : Jurnal Sistem Informasi (E-Journal), 1955-1961.

Deolika, A., Kusrini, & Luthfi, E. T. (2019). ANALISIS PEMBOBOTAN KATA PADA KLASIFIKASI TEXT

MINING. (Jurnal Teknologi Informasi) Vol.3, No.2, 179-184


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

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