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

research
  • 15 Dec
  • 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


7

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