Perbandingan Algoritma Dengan Particle Swarm Optimization Untuk Analisis Sentimen Pada Peraturan PSBB di Indonesia

Perbandingan Algoritma Dengan Particle Swarm Optimization Untuk Analisis Sentimen Pada Peraturan PSBB di Indonesia

• By Mugi Raharjo1, Jordy Lasmana Putra2, Tommi Alfian Armawan Sandi3, Musriatun Napiah4;
• Jurnal Nasional Terakreditasi
• 341
• 67-74

Pandemi telah memunculkan aturan dan istilah baru di masyarakat. Berbagai negara memiliki regulasinya masing-masing, termasuk Indonesia dengan nama PSBB untuk itu penulis mencoba melakukan penelitian terkait dengan kondisi PSBB di Indonesia dengan maksud dan tujuan untuk mengetahui sentimen masyarakat terhadap hal tersebut, penulis melakukan pemodelan ini secara positif dan negatif. . model dalam tweet di Twitter. Kami menangkap informasi melalui media Twitter yang kemudian kami olah datanya sehingga siap untuk diuji pada algoritma yang digunakan. Dalam pengumpulan dan pemrosesan data, kami menggunakan aplikasi penambang cepat. Dalam penelitian ini digunakan Naive Bayes, KNN, dan SVM. Kami juga melakukan perbandingan model dengan Particle Swarm Optimization. model 1 menguji tiga algoritma menggunakan validasi rasio 0,7-0,8 dan validasi silang 10 kali lipat, Pada Model 2 penulis menggunakan fitur seleksi yaitu Particle swarm Optimization dimana PSO digunakan sebagai optimasi. Dari model kedua, akurasinya adalah 88,00%. untuk SVM + PSO, 88,54%% untuk NB + PSO dan 81,58% untuk K -NN + PSO. Dan setelah dilakukan pengujian terhadap dua metode tersebut, ternyata Naive Bayes + PSO memiliki tingkat akurasi dan presisi yang paling tinggi. Dengan hasil penelitian ini diharapkan dapat bermanfaat bagi penelitian dan pengembangan terkait sentiment masyarakat terhadap kebijakan-kebijakan yang lakukan kedepannya, dengan hasil ini kedepannya dapat dikembangkan lagi menjadi model aplikasi yang bisa langsung melakukan labeling terhadap sentiment masyarakat,

• Katakunci
• URL http://eprints.bsi.ac.id/index.php/paradigma/article/view/968
• Penerbit Jurnal Paradigma, Jakarta DKI Jakarta

REFERENSI

Aaputra, S. A., Didi Rosiyadi, Windu Gata, & Syepry Maulana Husain. (2019). Sentiment Analysis Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 3(3), 377–382. https://doi.org/10.29207/resti.v3i3.1118
Abdulloh, N., & Hidayatullah, A. F. (2019). Deteksi Cyberbullying pada Cuitan Media Sosial Twitter. Automata, Vol 1(1), 1–5.
Adhe, D., Rachman, C., Goejantoro, R., & Tisna, D. (2020). Implementation Of Text Mining For Grouping Thesis Documents Using K-Means Clustering. Jurnal EKSPONENSIAL, 11(2), 167–174.
Hadna, M. S., Santosa, P. I., & Winarno, W. W. (2016). Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen Di Twitter. Seminar Nasional Teknologi Informasi Dan Komunikasi, 2016(Sentika), 57–64. Retrieved from https://fti.uajy.ac.id/sentika/publikasi/makalah/2016/95.pdf
Hasan, F. N. (2018). Fuad Nur Hasan, Mochamad Wahyudi, 3(1), 430–439.
James V. Miranda, L. (2018). PySwarms: a research toolkit for Particle Swarm Optimization in Python. The Journal of Open Source Software, 3(21), 433. https://doi.org/10.21105/joss.00433
Manalu, E., Sianturi, F. A., & Manalu, M. R. (2017). Volume 1 No 2 Desember 2017 p-ISSN 2088-3943 e-ISSN 2580-9741 PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI JUMLAH PRODUKSI BARANG BERDASARKAN DATA PERSEDIAAN DAN JUMLAH PEMESANAN PADA CV. PAPADAN MAMA PASTRIES. Jurnal Mantik Penusa, 1(2), 16–21. Retrieved from https://ezp.lib.unimelb.edu.au/login?url=https://search.ebscohost.com/login.aspx?direct=true&db=ffh&AN=2008-10-Aa4022&site=eds-live&scope=site
Mustafa, M. S., Ramadhan, M. R., & Thenata, A. P. (2018). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Creative Information Technology Journal, 4(2), 151. https://doi.org/10.24076/citec.2017v4i2.106
Pastor, C. K. L. (2020). Sentiment analysis of Filipinos and effects of extreme community quarantine due to coronavirus (COVID-19) Pandemic. Journal of Critical Reviews, 7(7), 91–95. https://doi.org/10.31838/jcr.07.07.15
Sedighizadeh, D., Masehian, E., Sedighizadeh, M., & Akbaripour, H. (2021). GEPSO: A new generalized particle swarm optimization algorithm. Mathematics and Computers in Simulation, 179, 194–212. https://doi.org/10.1016/j.matcom.2020.08.013
Susanto, W. E., & Riana, D. (2016). Komparasi Algoritma. Jurnal Speed, 8(3), 18–27.
Taufik, A. (2018). Komparasi Algoritma Text Mining Untuk Klasifikasi Review Hotel. Jurnal Teknik Komputer AMIK BSI (JTK), IV(2), 69–74. https://doi.org/10.31294/jtk.v4i2.3461
Wardhani, N. K., Rezkiani, Kurniawan, S., Setiawan, H., Gata, G., Tohari, S., … Wahyudi, M. (2018). Sentiment analysis