PENERAPAN SENTIMEN ANALIS MENGGUNAKAN METODE NAÏVE BAYES DAN SVM
Keywords:
Naïve Bayes, Svm, dan DataAbstract
Analisis sentimen merupakan ilmu yang berguna untuk menganalisis pendapat seseorang, sentiment seseorang, evaluasi seseorang, sikap seseorang dan emosi seseorang ke dalam bahasa tertulis. Penelitian ini menggunakan search techniques dalam pengambilan data, sehingga pengambilan data dilakukan dengan efektif dan efisien. Search techniques dalam penelitian ini menggunakan Boolean searching dengan operator “AND”. Data yang sudah didapat dilabeli positif, netral dan negatif oleh penulis kemudian dikoreksi oleh ahli bahasa. Setelah itu dilakukan preProcessing baik itu mengubah kata tidak baku menjadi baku atau biasa disebut normalisasi menggunakan kamus dan mencari akar kata yaitu stemming dengan bantuan aplikasi Sastrawi Master. Selanjutnya dilakukan juga tokenisasi N-Gram, Unigram, Bigram, dan Trigram terhadap kalimat, kemudian menghilangkan kata-kata yang umum digunakan dan tidak mempunyai Informasi yang berharga pada suatu konteks atau biasa disebut stopword removal, dan mempertahankan emoticon karena emoticon merupakan simbol yang menunjukkan ekspresi seseorang ke dalam tulisan. Akurasi yang terbaik dalam penelitian ini adalah dengan dilakukan normalisasi dan stemming pada data sebesar 89,2655% menggunakan metode SVM, dan kemudian data yang dinormalisasi saja sebesar 88,7006% menggunakan metode SVM. Dalam penelitian ini, tidak ada ujicoba terhadap data yang dilakukan stemming saja, dikarenakan tahap yang harus dilakukan dalam stemming adalah melakukan normalisasi terlebih dahulu terhadap data.
References
Aldino, A. A., Darwis, D., Prastowo, A. T., & Sujana, C. (2021). Implementation of K-Means Algorithm for Clustering Corn Planting Feasibility Area in South Lampung Regency. Journal of Physics: Conference Series, 1751(1). https://doi.org/10.1088/1742-6596/1751/1/012038
Aldino, A. A., Saputra, A., & Nurkholis, A. (2021). Application of Support Vector Machine ( SVM ) Algorithm in Classification of Low-Cape Communities in Lampung Timur. 3(3), 325–330. https://doi.org/10.47065/bits.v3i3.1041
Alita, D. (2021). Multiclass SVM Algorithm for Sarcasm Text in Twitter. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(1), 118–128. https://doi.org/10.35957/jatisi.v8i1.646
Alita, D., Fernando, Y., & Sulistiani, H. (2020). Implementasi Algoritma Multiclass SVM pada Opini Publik Berbahasa Indonesia di Twitter. Jurnal Tekno Kompak, 14(2), 86–91.
Alita, D., & Isnain, A. R. (2020). Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi, 8(2), 50–58.
Anestiviya, V., Ferico, A., & Pasaribu, O. (2021). Analisis Pola Menggunakan Metode C4.5 Untuk Peminatan Jurusan Siswa Berdasarkan Kurikulum (Studi Kasus : Sman 1 Natar). Jurnal Teknologi Dan Sistem Informasi (JTSI), 2(1), 80–85. http://jim.teknokrat.ac.id/index.php/JTSI
Asri, S. D., Ramayanti, D., Putra, A. D., & Utami, Y. T. (2022). DETEKSI RODA KENDARAAN DENGAN CIRCLE HOUGH TRANSFORM (CHT) DAN SUPPORT VECTOR MACHINE (SVM). Jurnal Teknoinfo, 16(2), 427–434.
Astuti, F. (2017). Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma Hard C-Means. Data Manajemen Dan Teknologi Informasi, 18(1), 64–69.
Aziz, M., & Fauzi, A. (2022). CNN UNTUK DETEKSI BOLA MULTI POLA STUDI KASUS : LIGA HUMANOID ROBOCUP CNN For Multi Pattern Ball Detection Case Study : RoboCup Humanoid League. 5(1), 23–34.
Damuri, A., Riyanto, U., Rusdianto, H., & Aminudin, M. (2021). Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako. Jurnal Riset Komputer, 8(6), 219–225. https://doi.org/10.30865/jurikom.v8i6.3655
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131–145.
Dewi, P. S., Sastradipraja, C. K., & Gustian, D. (2021). Sistem Pendukung Keputusan Kenaikan Jabatan Menggunakan Metode Algoritma Naïve Bayes Classifier. Jurnal Teknologi Dan Informasi, 11(1), 66–80. https://doi.org/10.34010/jati.v11i1.3593
Dina Sunia, Kurniabudi, P. A. J. (2019). Penerapan Data Mining untuk Clustering Data Penduduk Miskin Menggunakan Algoritma K-Means. Jurnal Ilmiah Mahasiswa Teknik Informatika, Vol 1 No 2(2016), 121–134.
Fikri, M. I., Sabrila, T. S., & Azhar, Y. (2020). Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter. Smatika Jurnal, 10(02), 71–76. https://doi.org/10.32664/smatika.v10i02.455
Giovani, A. P., Ardiansyah, A., Haryanti, T., Kurniawati, L., & Gata, W. (2020). Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi. Jurnal Teknoinfo, 14(2), 115. https://doi.org/10.33365/jti.v14i2.679
Gunawan D. (2020). Komparasi Algoritma Support Vector Machine Dan Naïve Bayes Dengan Algoritma Genetika Pada Analisis Sentimen Calon Gubernur Jabar 2018-2023. V(1), 135–138. https://doi.org/10.31294/jtk.v4i2
Hendrastuty, N., Rahman Isnain, A., & Yanti Rahmadhani, A. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. 6(3), 150–155. http://situs.com
Indrayuni, E. (2019). Klasifikasi Text Mining Review Produk Kosmetik Untuk Teks Bahasa Indonesia Menggunakan Algoritma Naive Bayes. Jurnal Khatulistiwa Informatika, 7(1), 29–36. https://doi.org/10.31294/jki.v7i1.1
Isnain, A. R., Hendrastuty, N., Andraini, L., Studi, P., Informasi, S., Indonesia, U. T., Informatika, P. S., Indonesia, U. T., Studi, P., Komputer, T., Indonesia, U. T., & Lampung, K. B. (2021). Comparison of Support Vector Machine and Naïve Bayes on Twitter Data Sentiment Analysis. 6(1), 56–60.
Isnain, A. R., Marga, N. S., & Alita, D. (n.d.). Sentiment Analysis Of Government Policy On Corona Case Using Naive Bayes Algorithm. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 15(1), 55–64.
Kurniawan, I., & Susanto, A. (2019). Implementasi Metode K-Means dan Naïve Bayes Classifier untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019. Eksplora Informatika, 9(1), 1–10. https://doi.org/10.30864/eksplora.v9i1.237
Nabila, Z., Isnain, A. R., & Permata, P. (2021). Mining Data Analysis for Clustering of Covid-19 Case in Lampung Province Using K-Means Algorithm. The 1st International Conference on Advanced Information Technology and Communication (IC-AITC).
Nabila, Z., Isnain, A. R., Permata, P., & Abidin, Z. (2021). ANALISIS DATA MINING UNTUK CLUSTERING KASUS COVID-19 DI PROVINSI LAMPUNG DENGAN ALGORITMA K-MEANS. Jurnal Teknologi Dan Sistem Informasi, 2(2), 100–108.
Nasution, M. R. A., & Hayaty, M. (2019). Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter. Jurnal Informatika, 6(2), 226–235. https://doi.org/10.31311/ji.v6i2.5129
Neneng, N., Adi, K., & Isnanto, R. (2016). Support Vector Machine Untuk Klasifikasi Citra Jenis Daging Berdasarkan Tekstur Menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrices (GLCM). JSINBIS (Jurnal Sistem Informasi Bisnis), 6(1), 1–10.
Nurkholis, A., Alita, D., & Munandar, A. (2022). Comparison of Kernel Support Vector Machine Multi-Class in PPKM Sentiment Analysis on Twitter. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(2), 227–233.
Pajar, M., & Putra, K. (2021). A Novel Method for Handling Partial Occlusion on Person Re-identification using Partial Siamese Network. 12(7), 313–321.
Putra, M. Y., & Putri, D. I. (2022). Pemanfaatan Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Kelas XI. Jurnal Tekno Kompak, 16(2), 176–187.
Putri, S. E. Y., & Surahman, A. (2019). PENERAPAN MODEL NAIVE BAYES UNTUK MEMPREDIKSI POTENSI PENDAFTARAN SISWA DI SMK TAMAN SISWA TELUK BETUNG BERBASIS WEB. Universitas Teknokrat Indonesia.
Putri, S. eka Y. (2020). Penerapan Model Naive Bayes Untuk Memprediksi Potensi Pendaftaran Siswa Di Smk Taman Siswa Teluk Betung Berbasis Web. Jurnal Informatika Dan Rekayasa Perangkat Lunak, 1(1), 93–99. https://doi.org/10.33365/jatika.v1i1.228
Rahayu, S., & Purnama, J. J. (2022). KLASIFIKASI KONSUMSI ENERGI INDUSTRI BAJA MENGGUNAKAN TEKNIK DATA MINING. Jurnal Teknoinfo, 16(2), 395–407.
Rahman Isnain, A., Indra Sakti, A., Alita, D., & Satya Marga, N. (2021). Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma Svm. Jdmsi, 2(1), 31–37. https://t.co/NfhnfMjtXw
Styawati, Andi Nurkholis, Zaenal Abidin, & Heni Sulistiani. (2021). Optimasi Parameter Support Vector Machine Berbasis Algoritma Firefly Pada Data Opini Film. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(5), 904–910. https://doi.org/10.29207/resti.v5i5.3380
Styawati, S., Hendrastuty, N., & Isnain, A. R. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT, 6(3), 150–155.
Styawati, S., & Mustofa, K. (2019). A Support Vector Machine-Firefly Algorithm for Movie Opinion Data Classification. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 13(3), 219–230.
Sulistiani, H., Muludi, K., & Syarif, A. (2019). Implementation of Dynamic Mutual Information and Support Vector Machine for Customer Loyalty Classification. Journal of Physics: Conference Series, 1338(1). https://doi.org/10.1088/1742-6596/1338/1/012050
Syah, H., & Witanti, A. (2022). Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 Pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine (Svm). Jurnal Sistem Informasi Dan Informatika (Simika), 5(1), 59–67. https://doi.org/10.47080/simika.v5i1.1411
Teknologi, J., Jtsi, I., Amelia, D. S., Aldino, A. A., Informasi, S., Teknik, F., & Indonesia, U. T. (2021). TEKS DAN ANALISIS SENTIMEN PADA CHAT GRUP WHATSAPP MENGGUNAKAN LONG SHORT TERM MEMORY ( LSTM ). 2(4), 56–61.
Tuhuteru, H. (2020). Analisis Sentimen Masyarakat Terhadap Pembatasan Sosial Berksala Besar Menggunakan Algoritma Support Vector Machine. Information System Development (ISD), 5(2), 7–13.
Tuhuteru, H., & Iriani, A. (2018). Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier. Jurnal Informatika: Jurnal Pengembangan IT, 3(3), 394–401. https://doi.org/10.30591/jpit.v3i3.977
