Email this article 
Hide
Show all
Analisis Sentimen Physical Distancing pada Twitter Menggunakan Text Mining dengan Algoritma Naive Bayes Classifier
Abstract
Abstrak
Physical distancing kini sedang ramai menjadi perbincangan publik sebagai salah satu cara pemerintah dalam menekan penyebaran virus covid-19 yang sedang melanda beberapa negara di belahan dunia. Tidak tersaringnya cuitan terkait physical distancing bisa memunculkan berbagai macam opini, tidak hanya opini yang positif tapi juga yang negatif. Maka dari itu, Twitter di anggap lebih diminati oleh masyarakat indonesia dikarenakan twitter dirasa lebih mudah untuk mengungkapkan opininya. Metode yang digunakan yaitu Naive Bayes Classifier (NBC). Data terkumpul dilakukan filter dari cuitan tersebut dengan menghapus data yang double maka setelah di filter data yang terambil yaitu sebanyak 547 tweets. Pada perhitungan analisis sentimen terhadap physical distancing di tengah pandemi covid-19 menggunakan metode NBC memperoleh hasil akurasi sebesar 50,26%. Tujuan dari penelitian ini, agar dapat mengkategorikan opini negatif atau positif, dari pembahasan physical distancing. Nantinya informasi terkait kebijakan Physical Distancing bisa sampai tepat informasinnya kepada masayarakat.
Kata Kunci: naïve bayes, physyical distancing, twitter
Abstract
Physical distancing is now busy becoming a public conversation as a way for the government to spread the Covid-19 virus which is currently hitting several countries around the world. There are public tweets related to physical distance that is free from various kinds of opinions, not only positive but also negative ones. Therefore, Indonesian people consider Twitter to be more desirable because it is easier for Indonesians to express their opinion. The method used is the Naive Bayes Classifier (NBC). The data collected was filtered from the tweets with double data, then after filtering the data were taken as many as 547 tweets. In calculating the sentiment analysis of physical distance in the middle of the Covid-19 pandemic using the NBC method, it gets an accurate result of 50.26%. The purpose of this study, to find and categorize negative or positive opinions, from the discussion of physical distancing. So that the implementation of the Physical Distance policy can get accurate information to the public.
Keywords: naïve bayes, physical distancing, twitter
Full Text:
PDFReferences
A. Rossi, T. Lestari, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini Pilkada Dki 2017 pada Dokumen Twitter Berbahasa Indonesia Menggunakan Näive Bayes dan Pembobotan Emoji,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., Vol. 1, No. 12, pp. 1718–1724, 2017, [Online]. Available: http://J-Ptiik.Ub.Ac.Id.
I. Indriati, M. Marji, and S. Pakpahan, “Analisis Sentimen Tentang Opini Performa Klub Sepak Bola pada Dokumen Twitter Menggunakan Support Vector Machine, dengan perbaikan Kata Tidak Baku,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., 2019.
I. Hanafi and R. Ferdiansyah, “Sentimen Analisis Twitter Pada Hastag PSBB Di Indonesia dalam Menghadapi Pandemi Covid-19,” Vol. 1, No. 3, pp. 1011–1022, 2020.
B. U. Manalu, “Analisis Sentimen Pada Twitter Menggunakan Text Mining Skripsi Boy Utomo Manalu,” Teknol. Inf. Fak. Ilk. Unsut, 2014.
A. Syakuro, “Pada Media Sosial Menggunakan Metode Naïve Bayes Classifier ( NBC) Dengan Seleksi Fitur Information Gain ( IG ) Halaman Judul Skripsi Oleh : Abdan Syakuro,” Anal. Sentimen Masy. Terhadap E-Commerce Pada Media Sos. Menggunakan Metod. Naive Bayes Classif. Dengan Sel. Fitur Inf. Gain, 2017.
A. V. Sudiantoro and E. Zuliarso, “Analisis Sentimen Twitter Menggunakan Text Mining dengan Algoritma Naïve Bayes Classifier,” Pros. Sintak 2018, pp. 398–401, 2018.
A. R. Adiati, A. Herdiani, W. Astuti, and M. Kom, “Analisis Sentimen Masyarakat pada Media Sosial Twitter terhadap Partai Politik Peserta Pemilu 2019 Menggunakan Naive Bayes Classifier,” Vol. 6, No. 2, 2019.
T. F. Berlian, A. Herdiani, W. Astuti, and M. Kom, “Analisis Sentimen Opini Masyarakat terhadap Acara Televisi pada Twitter dengan Retweet Analysis dan Naive Bayes Classifier,” Vol. 6, No. 2, pp. 8660–8669, 2019.
B. Pratama, D. D. Saputra, D. Novianti, and E. P. Purnamasari, “Sentiment Analysis Of The Indonesian Police Mobile Brigade Corps Based on Twitter Posts using he SVM and NB Methods Sentiment Analysis Of the Indonesian Police Mobile Brigade Corps Based On Twitter Posts Using The SVM and Nb Methods,” 2019, doi: 10.1088/1742-6596/1201/1/012038.
D. D. Saputra, W. Gata, N. K. Wardhani, and K. Sakho, “Optimization Sentiments Of Analysis From Tweets In Myxlcare Using Naïve Bayes Algorithm and Synthetic Minority Over Sampling Technique Method Optimization Sentiments of Analysis From Tweets In Myxlcare Using Naïve Bayes Algorithm and Synthetic Minority Ov,” 2020, doi: 10.1088/1742-6596/1471/1/012014.
Y. S. Mahardhika and E. Zuliarso, “Analisis Sentimen Terhadap Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes,” Pros. Sintak 2018, 2018.
I. Kurniawan and A. Susanto, “Implementasi Metode K-Means dan Naïve Bayes Classifier Untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019,” Eksplora Inform., Vol. 9, No. 1, pp. 1–10, 2019, doi: 10.30864/Eksplora.V9i1.237.
D. Xhemali, C. J. Hinde, and R. G. Stone, “Naïve Bayes vs Decision Trees vs Neural Networks in The Classification of Training Web Pages,” Vol. 4, No. 1, pp. 16–23, 2009.
T. G. Laksana and P. Rizkiyah, “Analisa Sentimen Menggunakan Naïve Bayes untuk Mengetahui Presentase Komentar pada Aplikasi Go-Jek,” 2018.
E. Junianto and D. Riana, “Penerapan Pso Untuk Seleksi Fitur Pada Klasifikasi Dokumen Berita Menggunakan NBC,” Vol. 4, No. 1. pp. 38–45, 2017.
DOI: https://doi.org/10.32520/stmsi.v10i1.1118
Article Metrics
Abstract view : 1625 timesPDF - 915 times
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.