Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak
Abstract
Sentiment analysis merupakan proses untuk memahami dan mengolah data tekstual secara otomatis untuk mendapatkan informasi sentimen yang terkandung dalam suatu kalimat opini. Pada umumnya masyarakat di zaman modern ini menuangkan dan mengekspresikan opininya ke media sosial terhadap berbagai topik, salah satu media sosial yang digunakan adalah twitter. Penelitian ini mencoba menganalisis tweet untuk dilakukan implementasi sentiment analysis terhadap opini masyarakat yang tertuang dalam twitter. Implementasi ini dilakukan dengan mengklasifikasikan tweet untuk mendapatkan informasi sentimen yang terkandung dalam tanggapan masyarakat, salah satu metode pengklasifikasian sentimen yaitu naïve bayes. Metode klasifikasi naïve bayes atau dikenal juga dengan teorema bayes memiliki ciri utama dalam asumsi opini yaitu menggunakan metode probabilitas dan statistik, teorema bayes menghitung nilai probabilitas tertinggi untuk klasifikasi sentimen. Jika suatu kata sering muncul dalam suatu dokumen maka diasumsikan bahwa kata tersebut merupakan kata penting dan diberikan nilai tertinggi, tapi jika kata muncul dalam berbagai dokumen maka kata tersebut bukanlah kata unik maka kata akan diberikan nilai rendah, dalam teorema bayes kata sendiri merupakan suatu unigrams dimana kata merupakan sentimen. Pengujian implementasi berbasis web menggunakan Bahasa Pemograman PHP menujukkan bahwa tweet dapat terklasifikasi secara otomatis. Data diklasifikasikan kedalam 3 (tiga) kelas yaitu, kelas positif, negatif dan netral. Proses dalam melakukan sentiment analysis dilakukan dengan melakukan text processing, setelah melewati tahapan text processing opini akan diklasifikasikan dengan metode klasifikasi naïve bayes ke dalam kelas positif, negatif atau netral. Secara keseluruhan hasil pengujian dengan menerapkan metode klasifikasi naïve bayes untuk mengolah informasi sentimen yang terdapat dalam suatu data tweet secara otomatis yang dikategorikan dalam tiga kelas yaitu positif, negatif dan netral dengan jumlah data latih sebesar 450 dan data uji sebesar 50, didapatkan akurasi sebesar 72%.
Keywords
Full Text:
PDFReferences
A. V. Sudiantoro and E. Zuliarso, “Analisis Sentimen Twitter Menggunakan Text Mining Dengan Algoritma Naive Bayes Classifier,” Pros. SINTAK 2018, 2018.
I. F. Rozi, S. H. Pramono, and E. A. Dahlan, “Implementasi Opinion Mining ( Analisis Sentimen ) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi,” Electr. Power, Electron. Commun. Control. Informatics Semin., 2012.
J. Jotheeswaran and Y. S. Kumaraswamy, “Opinion Mining Using Decision Tree Based Feature Selection Through Manhattan Hierarchical Cluster Measure,” J. Theor. Appl. Inf. Technol., 2013.
B. U. Manalu, “Analisis Sentimen pada Twitter Menggunakan Text Mining Skripsi Boy Utomo Manalu,” Teknol. Inf. Fak. Ilk. UNSUT, 2014.
Falahah and D. Dwiki Adriadi Nur, “Pengembangan Aplikasi Sentiment Analysis Menggunakan Metode Naïve Bayes (Studi Kasus Sentiment Analysis dari media Twitter),” Semin. Nas. Sist. Inf. Indones., 2015.
S. Adi, “Perancangan Klasifikasi Tweet Berdasarkan Sentimen dan Fitur Calon Gubernur DKI Jakarta 2017,” J. Inform. Pelita Nusant., vol. 3, no. 1, 2018.
D. Pakpahan and H. Widyastuti, “Aplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai Berita Online,” J. Integr., 2014.
E. E. Pratama and B. R. Trilaksono, “Klasifikasi Topik Keluhan Pelanggan Berdasarkan Tweet dengan Menggunakan Penggabungan Feature Hasil Ekstraksi pada Metode Support Vector Machine (SVM),” J. Edukasi dan Penelit. Inform., 2015.
F. Z. Tala, “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia,” M.Sc. Thesis, Append. D, 2003.
A. F. Hidayatullah and M. R. Ma’arif, “Penerapan Text Mining dalam Klasifikasi Judul Skripsi,” Semin. Nas. Apl. Teknol. Inf. Agustus, 2016.
A. Pramono, R. Indriati, and A. Nugroho, “Sentiment Analysis Tokoh Politik Pada Twitter,” Semin. Nas. Inov. Teknol. UN PGRI Kediri, 22 Februari 2017, 2017.
B. Kurniawan, S. Effendi, and O. S. Sitompul, “Klasifikasi Konten Berita dengan Metode Text Mining,” J. Dunia Teknol. Inf., 2012.
N. W. S. Saraswati, “Text Mining dengan Metode Naïve Bayes Classifier dan Support Vector Machines untuk Sentiment Analysis,” 2011.
A. Aprilianti P, “Sentiment Analysis dengan Naive Bayes untuk Melihat Persepsi Masyarakat Terhadap Batik pada Jejaring Sosial Twitter,” in Seminar Nasional Matematika dan Pendidikan Matematika UMS Tahun 2015, 2015.
D. Novitasari, “Perbandingan Algoritma Stemming Porter dengan Arifin Setiono untuk Menentukan Tingkat Ketepatan Kata Dasar,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., 2017.
DOI: http://dx.doi.org/10.26418/justin.v8i2.36776
Refbacks
- There are currently no refbacks.
Copyright (c) 2020 Jurnal Sistem dan Teknologi Informasi (JUSTIN)
View My Stats
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License