Sentimen Analisis Informasi Covid-19 menggunakan Support Vector Machine dan Naïve Bayes

Sentimen Analisis Informasi Covid-19 menggunakan Support Vector Machine dan Naïve Bayes

• By Ratino; Hafidz, Noor; Anggraeni,Sita; Gata, Windu;
• Jurnal Nasional Terakreditasi
• 346
• 1-11

Informasi saat ini banyak disampaikan melalui media sosial. Salah satu media sosial yang saat ini banyak digunakan adalah instagram. Berbagai sentimen masyarakat disampaikan melalui komentar pada media sosial instagram terhadap informasi COVID-19. Maka dari itu perlu dilakukan sentimen analisis untuk mengetahui sentimen dari setiap komentar. Adapaun algoritma klasifikasi yang digunakan yaitu Naïve Bayes dengan hasil akurasi 78,02% dan AUC 0,714, sedangkan Support Vector Machine menghasilkan akurasi sebesar 80,23% dan AUC 0,904. Memiliki selisih akurasi 2,21%. Setelah di optimasi dengan operator Particle Swarm Optimization, algoritma Naïve Bayes (PSO) menghasilkan akurasi sebesar 79,07% dan AUC 0,729, sedangkan algoritma Support Vector Machine (PSO) menghasilkan akurasi sebesar 81,16% dan AUC 0,903. Memiliki selisih akurasi sebesar 2,09%. Hasil pengujian algoritma, Support Vector Machine berbasis PSO maupun tidak, selalu dapat menghasilkan akurasi yang lebih tinggi.

• Katakunci Covid-19, Naïve Bayes, Support Vector Machine, Particle Swarm Optimization
• URL https://jurnal.polsri.ac.id/index.php/jupiter/index
• Penerbit IOP Conference Series: Materials Science and Engineering,

REFERENSI

[1]      M. Cascella, M. Rajnik, A. Cuomo, S. C, Dulebohn, and R. Di Napoli, “Features, Evaluation and Treatment Coronavirus (COVID-19).,” 2020, [Online]. Available: https://www.ncbi.nlm.nih.gov/pubmed/32150360.

[2]      W. J. Guan et al., “Clinical Characteristics of Coronavirus Disease 2019 in China,” N. Engl. J. Med., 2020, doi: 10.1056/NEJMoa2002032.

[3]      W. A. Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, 2018.

[4]      S. Kurniawan, W. Gata, D. A. Puspitawati, N. -, M. Tabrani, and K. Novel, “Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), 2019, doi: 10.29207/resti.v3i2.935.

[5]      G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” Integer J. Maret, 2017.

[6]      N. Yunita, “Analisis Sentimen Berita Artis Dengan Menggunakan Algoritma Support Vector Machine dan Particle Swarm Optimization,” J. Sist. Inf. STMIK Antar Bangsa, 2016.

[7]      M. S. Hadna, P. I. Santosa, and W. W. Winarno, “Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen Di Twitter,” Semin. Nas. Teknol. Inf. dan Komun., 2016.

[8]      L. Dey, S. Chakraborty, A. Biswas, B. Bose, and S. Tiwari, “Sentiment Analysis of Review Datasets Using Naïve Bayes‘ and K-NN Classifier,” Int. J. Inf. Eng. Electron. Bus., 2016, doi: 10.5815/ijieeb.2016.04.07.

[9]      U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, 2017.

[10]    Siswanto, Y. P. Wibawa, W. Gata, G. Gata, and N. Kusumawardhani, “Classification Analysis of MotoGP Comments on Media Social Twitter Using Algorithm Support Vector Machine and Naive Bayes,” in Proceedings of ICAITI 2018 - 1st International Conference on Applied Information Technology and Innovation: Toward A New Paradigm for the Design of Assistive Technology in Smart Home Care, 2018, doi: 10.1109/ICAITI.2018.8686751.

[11]    M. Wahyudi and D. A. Kristiyanti, “Sentiment analysis of smartphone product review using support vector machine algorithm-based particle swarm optimization,” Journal of Theoretical and Applied Information Technology. 2016.

[12]    S. Gusriani, K. D. K. Wardhani, and M. I. Zul, “Analisis Sentimen Terhadap Toko Online di Sosial Media Menggunakan Metode Klasifikasi Naïve Bayes (Studi Kasus: Facebook Page BerryBenka),” 4th Appl. Bus. Eng. Conf., 2016.

[13]    M. R. Bonyadi and Z. Michalewicz, “Particle swarm optimization for single objective continuous space problems: A review,” Evolutionary Computation. 2017, doi: 10.1162/EVCO_r_00180.

[14]    D. Wang, D. Tan, and L. Liu, “Particle swarm optimization algorithm: an overview,” Soft Comput., 2018, doi: 10.1007/s00500-016-2474-6.

[15]    N. Hafidz, Sfenrianto, Y. Pribadi, E. Fitri, and Ratino, “ANN and SVM Algorithm in Divorce Predictor,” Int. J. Eng. Adv. Technol., vol. 9, no. 3, pp. 2523–2527, Feb. 2020, doi: 10.35940/ijeat.C5902.029320.