Analisis Sentimen Calon Presiden Indonesia 2019 dari Media Sosial Twitter Menggunakan Metode Naive Bayes

Sitti Nurul Jannah Fitriyyah, Novi Safriadi, Enda Esyudha Pratama

Abstract


Pada tahun 2019 Indonesia akan mengadakan pesta demokrasi pemilihan kepala negara Indonesia. Setiap tokoh politik yang dicalonkan menjadi kepala negara akan mempertimbangkan popularitas mereka berdasarkan opini masyarakat. Sejak diumumkan nama calon Presiden Indonesia 2019 oleh Komisi Pemilihan Umum(KPU) nama-nama tersebut mulai banyak diperbincangkan, terutama di media sosial salah satunya adalah twitter. Terdapat berbagai opini pengguna twitter yang bersentimen negatif positif dan netral. Namun untuk menentukan sentimen dari pengguna twitter membutuhkan usaha dan waktu yang cukup banyak dikarenakan banyaknya jumlah tweet yang digunakan. Dibutuhkan pembelajaran mesin yang dengan cepat dalam pengklasisifikasian tweet tersebut dalam kelas negatif, positif dan netral. Naive Bayes Classifier adalah metode klasifikasi text yang memiliki kecepatan pemrosesan dan akurasi yang cukup tinggi apabila diterapkan pada data yang banyak, besar, dan beragam. Sebelum data tweet diklasifikasikan, data tersebut harus melalui beberapa proses, seperti prepocessing, pembobotan kata dan pemecahan data. Tujuan dari penelitian ini adalah mengetahui bagimana penerapan metode Naive Bayes pada sentimen pengguna twiter di 2 kelas (negatif, positif) dan 3 kelas (negatif, positif, netral). Hasil dari penelitian ini diperoleh bahwa dilakukan pengujian 3 kelas dan 2 kelas untuk setiap pasangan calon (paslon). Pada pengujian 3 kelas paslon 01 dan paslon 02 didapat hasil akurasi berturut-turut sebagai berikut 64,6% dan 58%. Sedangkan pada pengujian 2 kelas paslon 01 dan paslon 02 didapat hasil akurasi berturut-turut sebagai berikut 77,7% dan 88%. Performansi tertinggi terdapat pada calon presiden nomor urut dua dengan nilai f-measure sebesar 0,88.


Keywords


Analisis sentimen; Pemilihan presiden indonesia 2019; Naive Bayes; TF-IDF; Akurasi;

Full Text:

PDF

References


P. R. Colletta D. Manning, Combining classification and clustering for tweet sentiment analysis. Proceedings-2014 Brazilian Conference on Intelligent Systems. Brazil: BRACIS, 2014.

Kompas, Indonesia, Pengguna Facebook Terbanyak ke-4 di Dunia. Jakarta: Kompas, 2018.

A. H. Wong & L. Abednego, Pengelompokan Dokumen Otomatis dengan menggunakan TFIDF Classifier, Naive Bayes Classifier, dan KNN. Bandung: Program Studi Teknik Informatika – UNPAR, 2015.

S. N. Endany, Prediksi Kecenderungan Politik (Studi Kasus Pemilihan Presiden Amerika Serikat). Bandung: Telkom Univercity, 2016.

H. S. Ginting, Klasifikasi Sentimen Terhadap Bakal Calon Gubernur Jawa Barat 2018 di Twitter Menggunakan Metode Naïve Bayes. Bandung: TelkomUniversity, 2018.

G. A. Buntoro, Analisa Sentimen Calon Gubernur DKI Jakarta 2017 dari Twitter. Bandung: TelkomUniversity, 2017.

M. I. Shelby, Warih, & M. Adiwijaya, Opini Mining Pada Twitter Menggunakan Klasifikasi Sentimen pada Hastag berbasis Graf, 2013.

Bustami, Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Jurnal Penelitian Teknik Informatika, 2013.

Larsson, A. O. (2011). Studying Political Microblogging: Twitter Users in the 2010. Department of Informatics and Media, Uppsala University, Sweden, 729-747

Lorase, Naive Bayes Estimation. New Jearsy, 2006.

Pratama, Enda Esyudha, Klasifikasi Topik Keluhan Pelanggan Berdasarkan Tweet dengan Menggunakan Penggabungan Feature Hasil Ekstraksi pada Metode Support Vector Machine (SVM). Jurnal Edukasi dan Penelitian Informatika (JEPIN), Vol 1 No 2, 2015.

A.R. Lestari, R. S. Perdana, & M. A. Fauzi, Analisis Sentimen Opini Pilkada DKI 2917 pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes dan Pembobotan Emoji. Jurnal Pembangunan Teknologi informasi dan Ilmu Komputer, 1(12), 1718-1724, 2017.

A. Juan, Reversing and Smoothing the Multinomial Naive Bayes Text Classifier. In Pris, 200-212, 2002.

S. Abdillah, Penerapan Algoritma Decision Tree C4.5 untuk Diagnosa Penyakit Stroke dengan Klasifikasi Data Mining pada Rumah Sakit Santa Maria Pemalang. Semarang: Universitas Dian Nuswantoro, 2015.

F. Gorunescu, Data Mining Concept Model Technique. Berlin: Springer-verlag berlin heidelberg, 2011.

M. Burghardt, Introduction to Tools and Mtehods for The Analysis of Twitter Data. Media Linguistic, 2015.

F. Ratnawati, Sentiment Analysis of Movie Opinion in Twitter Using Dynamic Convolutional Neural Network Algorithm. Indonesian Journal of Computing and Cybernetics System, 5, 2018.

B. Gunawan, Sistem Analiis sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi dan Penelitian Informatika, 2018.




DOI: http://dx.doi.org/10.26418/jp.v5i3.34368

Refbacks

  • There are currently no refbacks.


Oktrik
Creative Commons License
This work is licensed under aCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
View My Stats