Sentimen Analisis Stay Home menggunakan metode klasifikasi Naive Bayes, Support Vector Machine, dan k-Nearest Neighbor

research
  • 18 Nov
  • 2020

Sentimen Analisis Stay Home menggunakan metode klasifikasi Naive Bayes, Support Vector Machine, dan k-Nearest Neighbor

Dunia sedang dilanda pandemi Corona Virus, virus yang berasal dari kota Wuhan di negara Cina sebagai awal pusat dari pandemi virus tersebut. Virus tersebut menyerang pernafasan akut dan menyebar dengan cepat hampir keseluruh dunia karena proses penularannya yang relatif mudah. Pemberitaan terkait virus tersebut terjadi dengan saat masif baik dimedia nasional maupun internasional. Hampir seluruh media memberitakan tentang penyebaran virus tersebut. Salah satunya melalui media sosial, twitter adalah salah satu media sosial yang cukup banyak penggunanya dan cukup digemari. Banyak pengguna twitter membagikan informasi, mengeluarkan pendapat, maupun berbagi beberapa hal. Penelitian ini fokus pada sentimen analisis stay home pada pengguna twitter, untuk dapat melihat efek dari kebijakan tersebut terhadap kehidupan mereka. Karena hampir diseluruh negara yang terkena pandemi ini mengeluarkan kebijakan seperti itu. Data yang diperoleh akan diolah menggunakan tiga metode klasifikasi yaitu Naive Bayes (NB), Support Vector Machine (SVM), dan k-Nearest Neighbor (k-NN). Dengan ketiga metode klasifikasi tersebut, akan dicari metode mana yang akan menghasilkan akurasi yang paling baik terkait dengan stay home dari tweets para penggunanya. Setelah dilakukan percobaan, algoritma Support Vector Machine + Smote mendapatkan hasil akurasi yang paling baik jika dibandingkan dengan dua algoritma lainnya. Hasil akurasi yang didapat sebesar 80,05%.

Unduhan

 

REFERENSI

Faradhillah, N. Y. A., Kusumawardani, R. P.,Hafidz, I., Informasi, J. S., & Informasi, F. T. (2016). Eksperimen Sistem Klasifikasi Analisa Sentimen Twitter pada Akun Resmi Pemerintahan Kota Surabaya Berbasis Pembelajaran Mesin.

Hashimi, H., Hafez, A., & Mathkour, H. (2015).Selection criteria for text mining approaches. Computers in Human Behavior, 51, 729–733. https://doi.org/10.1016/j.chb.2014.10.062

Kim, S.-M., & Hovy, E. (2004). Determining the sentiment of opinions. 1367-es.

https://doi.org/10.3115/1220355.1220555

Liu, B. (2012). Opinion spam detection. In Sentiment Analysis and Opinion Mining (Issue April). https://doi.org/10.1142/9789813100459_0007

Lu, H., Stratton, C. W., & Tang, Y. W. (2020). Outbreak of pneumonia of unknown etiology in Wuhan, China: The mystery and the miracle. Journal of Medical Virology, 92(4), 401–402. https://doi.org/10.1002/jmv.25678

Rothan, H. A., & Byrareddy, S. N. (2020). The epidemiology and pathogenesis of coronavirus disease (COVID-19) outbreak. Journal of Autoimmunity, February, 102433. https://doi.org/10.1016/j.jaut.2020.102433

Saad, S. E., & Yang, J. (2019). Twitter Sentiment Analysis Based on Ordinal Regression. IEEE Access, 7, 163677–163685. https://doi.org/10.1109/ACCESS.2019.295212

Sudiantoro, A. V., Zuliarso, E., Studi, P., Informatika, T., Informasi, F. T., Stikubank, U., & Mining, T. (2018). Analisis Sentimen Twitter Menggunakan Text Mining dengan Algoritma Naive Bayes Classifier. 398–401.

Trupthi, M., Pabboju, S., & Narasimha, G. (2017). Sentiment analysis on twitter using streaming API. Proceedings - 7th IEEE International Advanced Computing Conference, IACC 2017, 915–919. https://doi.org/10.1109/IACC.2017.0186

Whitelaw, C., Garg, N., & Argamon, S. (2005). Using appraisal groups for sentiment analysis. International Conference on Information and Knowledge Management, Proceedings, 625–631. https://doi.org/10.1145/1099554.1099714