ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI

ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI

• By Giovani, Angelina Puput; Ardiansyah; Haryanti,Tuti; Kurniawati, Laela; Gata, Windu;
• Jurnal Nasional Terakreditasi
• 488
• 116-124

E-learning merupakan pembelajaran berbasis elektronik dengan menggunakan komputer atau berbasis komputer. Salah satu aplikasi e-learning yang banyak dikenal saat ini adalah aplikasi Ruang Guru. Salah satu cara untuk mengetahui keberhasilan suatu aplikasi adalah dengan melakukan analisis sentimen terhadap aplikasi tersebut. Pada penelitian ini, analisis sentimen diambil dari komentar pengguna media sosial Twitter terhadap aplikasi Ruang Guru sebanyak 513 tweet, setelah dilakukan data cleaning, dengan sentimen positif sebanyak 338 tweet dan sentimen negatif sebanyak 175 tweet. Data tersebut diekstraksi menggunakan algoritma Naive Bayes (NB), Support Vector Machine (SVM), K-Nearest Neighbour (K-NN), dan feature selection dengan algoritma Particle Swarm Optimization (PSO). Penelitian ini membandingkan metode NB, SVM, K-NN tanpa menggunakan feature selection dengan metode NB, SVM, K-NN yang menggunakan feature selection serta membandingkan nilai Area Under Curve (AUC) dari metode-metode tersebut untuk mengetahui algoritma yang paling optimal. Hasil pengujian mendapatkan hasil bahwa aplikasi optimasi terbaik dalam model ini adalah algoritma PSO berbasis SVM dengan nilai akurasi sebesar 78,55% dan AUC sebesar 0,853. Penelitian ini berhasil mendapatkan algoritma yang efektif dan terbaik dalam mengklasifikasikan komentar positif dan komentar negatif terkait dengan aplikasi Ruang Guru.

• Katakunci Ruang Guru, Analisis sentimen, Twitter, Algoritma Klasifikasi.
• URL https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/article/view/679
• Penerbit ,

REFERENSI

[1]	M. A. Bora, “Analisa Kepuasan Penggunaan E Learning Cloud Sekolah Tinggi Teknik ( STT ) Ibnu Sina Batam,” vol. 1, no. 1, pp. 55–62, 2017.
[2]	RuangGuru,	“Tentang	Ruangguru.” (accessed
https://ruangguru.com/general/about
May 08, 2020).
[3]	N. D. Putranti and E. Winarko, “Analisis
Sentimen	Twitter	untuk	Teks	Berbahasa
Indonesia dengan Maximum Entropy dan Support Vector Machine,” vol. 8, no. 1, pp. 91–100, 2014.
[4]	G.	A.	Buntoro,	“Analisis	Sentimen	Calon

Gubernur DKI Jakarta 2017 Di Twitter,” vol. 2,
no. 1, pp. 32–41, 2017.
[5] F. Nurhuda and S. W. Sihwi, “Analisis Sentimen
Masyarakat terhadap Calon Presiden Indonesia
2014 berdasarkan Opini dari Twitter
Menggunakan Metode Naive Bayes Classifier,”
vol. 2, no. 2, 2014.
[6] A. Novantirani et al., “Analisis Sentimen pada
Twitter untuk Mengenai Penggunaan Transportasi
Umum Darat Dalam Kota dengan Metode Support
Vector Machine,” vol. 2, no. 1, pp. 1177–1183,
2015.
[7] S. A. Saputra, D. Rosiyadi, W. Gata, and S. M.
Husain, “Analisis Sentimen E-Wallet Pada
Google Play Menggunakan Algoritma Naive
Bayes Berbasis Particle Swarm Optimization,” J.
RESTI, vol. 1, no. 10, pp. 3–8, 2021.
[8] D. D. Saputra et al., “Optimization Sentiments of
Analysis from Tweets in myXLCare using Naïve
Bayes Algorithm and Synthetic Minority Over
Sampling Technique Method,” J. Phys. Conf. Ser.,
2020, doi: 10.1088/1742-6596/1471/1/012014.
[9] D. A. Kristiyanti, A. H. Umam, M. Wahyudi, R.
Amin, and L. Marlinda, “Comparison of SVM &
Naïve Bayes Algorithm for Sentiment Analysis
Toward West Java Governor Candidate Period
2018-2023 Based on Public Opinion on Twitter,”
Int. Conf. Cyber IT Serv. Manag., no. Citsm, pp.
1–6, 2018, doi: 10.1109/CITSM.2018.8674352.
[10] L. N. Pradany and C. Fatichah, “Analisa Sentimen
Kebijakan Pemerintah Pada Konten Twitter
Berbahasa Indonesia Menggunakan Svm Dan KMedoid Clustering,” SCAN-Jurnal Teknol. Inf.
dan Komun., vol. 11, no. 1, pp. 59–66, 2016.
[11] N. Y. A. Faradhillah, R. P. Kusumawardani, and
I. Hafidz, “Eksperimen Sistem Klasifikasi Analisa
Sentimen Twitter pada Akun Resmi Pemerintah
Kota Surabaya Berbasis Pembelajaran Mesin,”
Pros. Semin. Nas. Sist. Inf. Indones. 2016, pp. 15–
24, 2016.
[12] M. W. & N. N. Dwi Arum Ningtyas, “Klasifikasi
Siswa Smk Berpotensi Putus Sekolah
Menggunakan Algoritma Decision Tree , Support
Vector Machine Dan Naive Bayes,” J.
Khatulistiwa Inform., vol. VII, no. 2, pp. 85–90,
2019.
[13] O. S. S. S. E. Syahfitri Kartika Lidya, “Sentiment
Analysis Pada Teks Bahasa Indonesia
Menggunakan Support Vector Machine (SVM)
Dan K-Nearest Neighbor (K-NN),” Semin. Nas.
Teknol. Inf. dan Komun., vol. 2015, no. Sentika,
pp. 1–8, 2015.
[14] S. W. Yudha and M. Wahyudi, “Komparasi
Algoritma Klasifikasi Untuk Analisis Sentimen
Review Film Berbahasa Asing,” in Seminar
Nasional Informatika, Sistem Informasi Dan
Keamanan Siber (SEINASI-KESI), 2018, pp. 180–
185.
[15] M. A. Assuja and S. Saniati, “Analisis Sentimen
Tweet Menggunakan Backpropagation Neural Network,” J. Teknoinfo, vol. 10, no. 2, p. 48, 2016,

doi: 10.33365/jti.v10i2.20.
[16] X. Wu et al., Top 10 algorithms in data mining,
vol. 14, no. 1. 2008.
[17] N. K. Wardhani et al., “Sentiment analysis article
news coordinator minister of maritime affairs
using algorithm naive bayes and support vector
machine with particle swarm optimization,” J.
Theor. Appl. Inf. Technol., vol. 96, no. 24, pp.
8365–8378, 2018.
[18] M. A. Maulana, A. Setyanto, and M. P.
Kurniawan, “Analisis Sentimen Media Sosial
Universitas Amikom,” Semin. Nas. Teknol. Inf.
dan Multimed. 2018 Univ. AMIKOM Yogyakarta,
10 Februari 2018, pp. 7–12, 2018.
[19] E. Indrayuni, “Analisa Sentimen Review Hotel
Menggunakan Algoritma Support Vector
Machine Berbasis Particle Swarm Optimization
Elly,” J. Evolusi Vol., vol. 4, 2016.
[20] 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,” vol.
1, no. 12, pp. 1750–1757, 2017.
[21] L. A. Utami, “Melalui Komparasi Algoritma
Support Vector Machine Dan K-Nearest Neighbor
Berbasis Particle Swarm Optimization,” vol. 13,
no. 1, pp. 103–112, 2017.
[22] Hernawati and W. Gata, “Sentimen Analisis
Operasi Tangkap Tangan KPK Menurut
Masyarakat Menggunakan Algoritma Support
Vector Machine , Naive Bayes Berbasis Particle
Swarm Optimizition,” faktir Exacta, vol. 12, no.
3, pp. 230–243, 2019, doi:
10.30998/faktorexacta.v12i3.4992.
[23] I. Santoso, W. Gata, and A. B. Paryanti,
“Penggunaan Feature Selection di Algoritma
Support Vector Machine untuk Sentimen Analisis
Komisi Pemilihan Umum,” J. RESTI, vol. 3, no.
3, pp. 5–11, 2019.