Klasifikasi Sentimen Terhadap Topik Pindah Ibu Kota Negara Pada Twitter Menggunakan Metode Naïve Bayes Classifier
DOI:
https://doi.org/10.30865/json.v5i3.7475Keywords:
Sentiment Classification, Twitter, Naïve Bayes Classifier, TF-IDF, Relocation of National Capital CityAbstract
Towards the middle of 2019, President Joko Widodo announced plans to relocate Indonesia's capital city. This caused pros and cons in the community, which were widely observed in various social media. To quickly measure the level of public sentiment towards the policy of moving the National Capital City (IKN), whose construction is already underway, a classification system that has good performance is needed. This research proposes a classification of public sentiment on the topic using the Naïve Bayes Classifier method. The data used in this study amounted to 4000 tweets that have been classified into two classes, namely 2000 positive class data and 2000 negative class data. The purpose of this research is how to apply the Naïve Bayes Classifier method in classifying sentiment on the topic of moving the nation's capital and determine the accuracy level of the method. The application of the Naïve Bayes classification method using TF-IDF features to classify 10% of the data as testing data resulted in an accuracy of 77.00%, for a precision value of 77.06%, recall 77.08% and f1-score of 77.00%. Based on the results achieved, the Naïve Bayes Classifier method is good at text classification tasks, with a fairly good accuracy rate.References
R. N. Fahmi, Nursyifa, and A. Primajaya, “Analisis Sentimen Pengguna Twitter Terhadap Kasus Penembakan Laskar Fpi Oleh Polri Dengan Metode Naive Bayes Classifier,†2021.
A. Mustofa and R. Novita, “Klasifikasi Sentimen Masyarakat Terhadap Pemberlakuan Pembatasan Kegiatan Masyarakat Menggunakan Text Mining Pada Twitter,†Technology and Science (BITS), vol. 4, no. 1, 2022, doi: 10.47065/bits.v4i1.1628.
F. Septianingrum and A. S. Y. Irawan, “Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review,†Jurnal Media Informatika Budidarma, vol. 5, no. 3, p. 799, Jul. 2021, doi: 10.30865/mib.v5i3.2983.
M. A. Rizaty, “Pengguna Twitter di Indonesia Capai 18,45 Juta pada 2022,†dataindonesia.id. Accessed: Dec. 13, 2022. [Online]. Available: https://dataindonesia.id/digital/detail/pengguna-twitter-di-indonesia-capai-1845-juta-pada-2022
F. Amirullah, S. Alam, and M. I. Sulistyo, “Analisis Sentimen Terhadap Kinerja KPU Menjelang Pemilu 2024 Berdasarkan Opini Twitter Menggunakan Naïve Bayes,†STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer, vol. 2, no. 3, pp. 69–76, Aug. 2023, doi: 10.55123/storage.v2i3.2293.
A. Faisal et al., “Analisis Sentimen Dewan Perwakilan Rakyat Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization,†Jointecs (Journal of Information Technology and Computer Science), vol. 5, no. 2, pp. 61–70, 2020.
A. P. Giovani, Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,†Jurnal Teknoinfo, vol. 14, no. 2, p. 115, Jul. 2020, doi: 10.33365/jti.v14i2.679.
S. Kurniawan, W. Gata, D. Ayu Puspitawati, M. Tabrani, and K. Novel, “Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online,†Jurnal Resti (Rekayasa Sistem dan Teknologi Informasi), vol. 3, no. 2, pp. 176–183, 2019.
Yuyun, N. Hidayah, and S. Sahibu, “Algoritma Multinomial Naïve Bayes Untuk Klasifikasi Sentimen Pemerintah Terhadap Penanganan Covid-19 Menggunakan Data Twitter,†Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 4, pp. 820–826, Aug. 2021, doi: 10.29207/resti.v5i4.3146.
A. D. D. Kurniawan, “Analisis Sentimen Topik Pindah Ibu Kota Pada Twitter Menggunakan Metode Modified K-Nearest Neighbor,†UIN Suska Riau, Pekanbaru, 2021.
N. Ruhyana, “Analisis Sentimen Terhadap Penerapan Sistem Plat Nomor Ganjil/Genap Pada Twitter Dengan Metode Klasifikasi Naive Bayes,†Jurnal IKRA-ITH Informatika, vol. 3, no. 1, pp. 94–99, 2019, [Online]. Available: www.situs.com
D. Ikasari, Y. Fajarwati, and Widiastuti, “Analisis Sentimen Dan Klasifikasi Tweets Berbahasa Indonesia Terhadap Transportasi Umum Mrt Jakarta Menggunakan Naïve Bayes Classifier,†Jurnal Ilmiah Informatika Komputer, vol. 25, no. 1, pp. 64–75, 2020, doi: 10.35760/ik.2020.v25i1.2427.
F. E. Purwiantono and A. Aditya, “Klasifikasi Sentimen Sara, Hoaks Dan Radikal Pada Postingan Media Sosial Menggunakan Algoritma Naive Bayes Multinomial Text,†Jurnal TEKNOKOMPAK, vol. 14, no. 2, pp. 68–73, 2020.
A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,†Jurnal Riset Komputer), vol. 8, no. 6, pp. 2407–389, 2021, doi: 10.30865/jurikom.v8i6.3655.
R. Indransyah, Y. H. Chrisnanto, and P. N. Sabrina, “Klasifikasi Sentimen Pergelaran MotoGP Di Indonesia Menggunakan Algoritma Correlated Naïve Bayes Clasifier,†Infotech, vol. 8, pp. 60–66, 2022, doi: 10.31949/infotech.v8I2.3103.
L. B. Ilmawan and M. A. Mude, “Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store,†ILKOM Jurnal Ilmiah, vol. 12, no. 2, pp. 154–161, Aug. 2020, doi: 10.33096/ilkom.v12i2.597.154-161.
A. M. Raya, F. Nurbaiti, and S. Detin, “Klasifikasi Sentimen Masyarakat Terhadap Kenaikan Harga Tiket Pesawat Pada Twitter Menggunakan Naive Bayes,†Jurnal INSTEK (Informatika Sains dan Teknologi), vol. 4, no. 2, pp. 239–246, 2019.
S. Alim, Anwari, and Hozairi, “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes,†Jurnal Ilmiah NERO, vol. 6, no. 2, pp. 133–144, 2021.
F. Fitriana, E. Utami, and H. Al Fatta, “Analisis Sentimen Opini Terhadap Vaksin Covid - 19 pada Media Sosial Twitter Menggunakan Support Vector Machine dan Naive Bayes,†Jurnal Komtika (Komputasi dan Informatika), vol. 5, no. 1, pp. 19–25, Jul. 2021, doi: 10.31603/komtika.v5i1.5185.
E. S. R. Br.Situmorang, M. K. Anam, R. Rahmaddeni, and A. N. Ulfah, “Perbandingan Algoritma SVM Dan NBC Dalam Analisa Sentimen Pilkada Pada Twitter,†CSRID (Computer Science Research and Its Development Journal), vol. 13, no. 3, p. 169, Nov. 2021, doi: 10.22303/csrid.13.3.2021.169-179.
A. R. Kardian and D. Gustiana, “Analisis Sentimen Berdasarkan Opini Pengguna pada Media Twitter Terhadap BPJS Menggunakan Metode Lexicon Based dan Naïve Bayes Classifier,†Jurnal Ilmiah Komputasi, vol. 20, no. 1, Mar. 2021, doi: 10.32409/jikstik.20.1.401.
I. Sari and D. Indarti, Text Mining : Praktik Klasifikasi Dan Pemodelan Topik Dengan Phyton. Ponorogo: Uwais Inspirasi Indonesia, 2022.
N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3216.
V. Ayumi, H. Noprisson, M. Utami, E. D. Putra, and M. Purba, Konsep Dasar Natural Language Processing (NLP). Sukabumi: CV Jejak, 2023.
R. Aryanti, T. Misriati, and A. Sagiyanto, “Analisis Sentimen Aplikasi Primaku Menggunakan Algoritma Random Forest dan SMOTE untuk Mengatasi Ketidakseimbangan Data,†Journal of Computer System and Informatics (JoSYC), vol. 5, no. 1, pp. 218–227, 2023, doi: 10.47065/josyc.v5i1.4562.
C. H. Morama, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen berbasis Aspek terhadap Ulasan Hotel Tentrem Yogyakarta menggunakan Algoritma Random Forest Classifier,†Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 4, pp. 1702–1708, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
S. Fide, Suparti, and Sudarno, “Analisis Sentimen Ulasan Aplikasi Tiktok Di Google Play Menggunakan Metode Support Vector Machine (SVM) Dan Asosiasi,†Jurnal Gaussian, vol. 10, no. 3, pp. 346–358, 2021, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
A. Kausar, A. Irawan, Wahyuddin, and I. Fernando, “Implementasi Algoritma Naïve Bayes Classifier Untuk Penilaian Kinerja Dosen,†Jurnal PROSISKO, vol. 10, no. 2, 2023.
S. W. U. Vitandy, A. A. Supianto, and F. A. Bachtiar, “Analisis Sentimen Evaluasi Kinerja Dosen menggunakan Term Frequency-Inverse Document Frequency dan Naïve Bayes Classifier,†Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 6, pp. 6080–6088, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,†JMLR 12.
S. Azhar, Yusra, M. Fikry, S. Agustian, and I. Afrianty, “Klasifikasi Sentimen Masyarakat di Twitter Terhadap Ganjar Pranowo dengan Metode Support Vector Machine,†KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 3, pp. 1660–1667, Dec. 2023.
