Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter
DOI:
https://doi.org/10.32664/smatika.v10i02.455Kata Kunci:
Analisis Sentimen, Naïve Bayes, Support Vector MachineAbstrak
Twitter merupakan salah satu media sosial yang banyak digunakan oleh masyarakat sebagai media komunikasi dan memperoleh informasi. Melalui media sosial ini, pengguna dapat menyampaikan berbagai macam opini maupun komentar terhadap suatu isu. Opini dan komentar yang pengguna sampaikan melalui tweets yang ditulisnya pun dapat digunakan untuk analisis sentimen. Maka dari itu, dalam penelitian ini dilakukan analisis sentimen terhadap tweets yang berhubungan dengan Universitas Muhammadiyah Malang (UMM) untuk mengetahui opini masyarakat mengenai kampus ini. Analisis dilakukan dengan mengklasifikasikan tweets yang berisi sentimen masyarakat mengenai UMM. Metode klasifikasi yang digunakan dalam penelitian ini adalah Naïve Bayes dan Support Vector Machine (SVM) dengan pembobotan menggunakan TF-IDF. Hasil komparasi kedua metode menunjukkan bahwa Naïve Bayes mendapatkan hasil akurasi yang lebih baik dari SVM dengan akurasi sebesar 73,65%.
Referensi
A. Fathan Hidayatullah and A. Sn, “ISSN: 1979-2328 UPN "Veteran,†Semin. Nas. Inform., vol. 2014, no. semnasIF, pp. 115–122, 2014.
A. Go, R. Bhayani, and L. Huang, “Twitter Sentiment Classification using Distant Supervision,†Processing, vol., pp. 1–6, 2009.
H. Parveen and S. Pandey, “Sentiment analysis on Twitter Data-set using Naive Bayes algorithm,†Proc. 2016 2nd Int. Conf. Appl. Theor. Comput. Commun. Technol. iCATccT 2016, pp. 416–419, 2017, doi: 10.1109/ICATCCT.2016.7912034.
S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking | Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018.
V. Chandani, F. I. Komputer, and U. D. Nuswantoro, “Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film,†J. Intell. Syst., vol. 1, no. 1, pp. 56–60, 2015.
W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,†J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1750–1757, 2017, doi: 10.1074/jbc.M209498200.
S. A. Alasadi and W. S. Bhaya, “Review of data preprocessing techniques in data mining,†J. Eng. Appl. Sci., vol. 12, no. 16, pp. 4102–4107, 2017, doi: 10.3923/jeasci.2017.4102.4107.
B. K. Hananto, A. Pinandito, and A. P. Kharisma, “Penerapan Maximum TF-IDF Normalization Terhadap Metode KNN Untuk Klasifikasi Dataset Multiclass Panichella Pada Review Aplikasi Mobile,†vol. 2, no. 12, pp. 6812–6823, 2018.
B. Olabenjo, “Applying Na ¨ ıve Bayes Classification to Google Play Apps Categorization.â€
A. Indriani and D. Nbc, “Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier,†pp. 5–10, 2014.
Bustami, “Penerapan Algoritma Naive Bayes,†J. Inform., vol. 8, no. 1, pp. 884–898, 2014.
S. Rana, “Comparative Analysis of Sentiment Orientation Using SVM and Naïve Bayes Techniques,†no. October, pp. 106–111, 2016.
Y. K. S. Derick Iskandar, “Perbandingan Akurasi Klasifikasi Tingkat Kemiskinan,†Perbandingan Akurasi Klasifikasi Tingkat Kemiskin., vol. xxx, no. xxx, pp. 1–8, 2014.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
