ANALISIS SENTIMEN TRANDING NEWS JOE BIDEN MENGGUNAKAN METODE MONKEYLEARN DAN ALGORITMA NAÏVE BAYES

Dhafi Yarist Kusnaedi, Dimas Yusril Faidil Hisyam

Abstract


Saat ini media sosial merupakan salah satu media online yang banyak di akses di seluruh dunia. Dengan adanya layanan microbloging seperti twitter, memungkinkan pengguna menulis dengan tujuan untuk dipublikasikan, menulis opini tokoh publik, jasa layanan, dan lain sebagainya. Itu semua menjadi daya tarik bagi pengguna social media untuk menggunakan twitter. Hal tersebut dapat dimanfaatkan untuk pengambilan opini atau sentimen terhadap suatu entitas yang sedang dibicarakan di media social seperti twitter. Penelitian ini memanfaatkan data tersebut untuk mengetahui opini atau sentimen dari pengguna twitter mengenai tokoh publik yang sedang tranding yaitu Joe Biden. Pengambilan opini yang akan diambil berdasarkan tiga kelas yaitu positif, negatif, dan netral. Pada penelitian ini penulis menerapkan text-processing MonkeyLearn untuk mengatasi masalah dalam mendapatkan data yang dapat ditinddak lanjuti dari teks mentah. Metode klasisfikasi yang digunakan adalah algoritma naïve bayes classifier. Dari hasil penelitian yang telah dilaksanakan dapat diketahui bahwa persentase sentimen pada social media twitter mengenai tanggapan berita terkait Joe Biden menghasilkan sentimen netral yang lebih dominanan dari pada sentimen positif dan negatif. Selain itu dari hasil pengujian algoritma naïve bayes diketahui bahwa tingkat akurasi mencapai 100%. Penerapan metode MonkeyLearn dapat membantu mendapatkan data untuk diolah pada Rapidminer menggunakan algoritma naïve bayes.


Full Text:

PDF (31-34)

References


W. Setiawan, “Era Digital dan Tantangannya,” Semin. Nas. Pendidik., pp. 1–9, 2017.

K. I. Pemerintahan, R. E. Rohman, and M. Retnasary, “Penggunaan Media Sosial Twitter Masyarakat di Kota Bandung sebagai Media untuk Memperoleh Informasi mengenai New Normal dalam Akun @ humasjabar,” vol. 5, no. 2, pp. 18–28, 2020.

A. Nugroho, “Analisis Sentimen Pada Media Sosial Twitter Menggunakan Naive Bayes Classifier Dengan Ekstrasi Fitur N-Gram,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 2, no. 2, p. 200, 2018, doi: 10.30645/j-sakti.v2i2.83.

I. Journal and A. Engineering, “Machine Learning based Analysis of Twitter Data to Determine a Person ’ s Mental Health Intuitive Wellbeing,” vol. 13, no. 21, pp. 14956–14963, 2018.

Y. I. Kurniawan, U. M. Surakarta, and N. Bayes, “COMPARISON OF NAIVE BAYES AND C . 45 ALGORITHM IN DATA MINING,” vol. 5, no. 4, pp. 455–464, 2018, doi: 10.25126/jtiik.

D. Novianti, “Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis Menggunakan Rapid Miner,” vol. XXI, no. 1, 2019, doi: 10.31294/p.v20i2.

D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass SVM Pada Opini Publik Berbahasa Indonesia Di Twitter,” J. TEKNOKOMPAK, vol. 14, no. 2, p. 86, 2020, [Online]. Available: https://ejurnal.teknokrat.ac.id/index.php/teknokompak/article/view/792.


Refbacks

  • There are currently no refbacks.