Sentimen Analisis Tweet Berbahasa Indonesia Pada Pilkada Serentak 2020 Menggunakan Metode Naive Bayes Berbasis Particle Swarm Optimization

Main Article Content

Adam Novrisa
Gita Indah Marthasari
Christian Sri Kusuma Aditya

Abstract

Analisis sentiment merupakan cabang dari text mining, fokus utamanya merupakan menganalisa dokumen berupa teks. Tweet yang berupa teks tersebut dibagi menjadi dua class yaitu class positif dan negatif. Algoritma yang digunakan pada penelitian ini yaitu Naïve Bayes berbasis Particle Swarm Optimization yang digunakan untuk mengetahui apakah terdapat peningkatan akurasi pada hasil klasifikasi. Dataset yang digunakan sebanyak 1000 dan diujikan menggunakan 10 Fold Cross Validation. Hasil klasifikasi yang didapatkan dari penelitian ini menghasilkan akurasi sebesar 81%. Hasil tersebut lebih baik dibandingkan dengan hasil klasifikasi menggunakan Naïve Bayes tanpa ada proses seleksi fitur dengan Particle Swarm Optimization dengan hasil akurasi sebesar 74.14%

Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
A. Novrisa, G. I. Marthasari, and C. S. K. Aditya, “Sentimen Analisis Tweet Berbahasa Indonesia Pada Pilkada Serentak 2020 Menggunakan Metode Naive Bayes Berbasis Particle Swarm Optimization”, JR, vol. 3, no. 2, Jan. 2024.
Section
Articles

References

S. Harahap W, “Pro dan Kontra Pilkada Langsung,” Tagar.id, 2019. [Online]. Available:

https://www.tagar.id/pro-dan-kontra-pilkada-langsung.

Grafelly Delvit, “Bagaimana perkembangan Twitter saat ini?,” Techno.id, 2015. [Online].

Available: https://www.techno.id/social/bagaimana-perkembangan-twitter-saat-ini1509122.html. [Accessed: 13-Sep-2015].

A. Rossi, T. Lestari, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini

Pilkada DKI 2017 Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Näive Bayes

dan Pembobotan Emoji,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp.

–1724, 2017.

S. Saprudin, “Penerapan Particle Swarm Optimization (PSO) untuk Klasifikasi dan Analisis

Kredit dengan Menggunakan Algoritma C4.5,” J. Inform. Univ. Pamulang, vol. 2, no. 4, p.

, 2017.

R. Y. Hayuningtyas and R. Sari, “Analisis Sentimen Opini Publik Bahasa Indonesia Terhadap

Wisata Tmii Menggunakan Naïve Bayes Dan Pso,” J. Techno Nusa Mandiri, vol. 16, no. 1,

pp. 37–42, 2019.

J. Weng, J. Weng, E. Lim, and J. Jiang, “Institutional Knowledge at Singapore Management

University Twitterrank : Finding topic-sensitive influential Twitterers TwitterRank : Finding

Topic-sensitive Influential Twitterers,” 2010.

T. Kurniawan, “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter

Terhadap Media Mainstream Menggunakan Naïve Bayes Classifier Dan Support Vector

Machine Media Mainstream Menggunakan Naïve Machine,” p. 1, 2017.

E. Dragut, F. Fang, P. Sistla, C. Yu, and W. Meng, “Stop word and related problems in web

interface integration,” Proc. VLDB Endow., vol. 2, no. 1, pp. 349–360, 2009.

S. Mujilahwati, “Pre-Processing Text Mining Pada Data Twitter,” Semin. Nas. Teknol. Inf. dan Komun., vol. 2016, no. Sentika, pp. 2089–9815, 2016.

D. Wahyudi, T. Susyanto, and D. Nugroho, “Implementasi Dan Analisis Algoritma Stemming Nazief & Adriani Dan Porter Pada Dokumen Berbahasa Indonesia,” J. Ilm. SINUS, vol. 15, no. 2, 2017.

Y. Shi, “Particle Swarm Optimization: Developments, Applications and Resources Russell,” Adv. Neural Inf. Process. Syst., pp. 329–336, 2007.

K. Agarwal and T. Kumar, “Email Spam Detection Using Integrated Approach of Naïve Bayes and Particle Swarm Optimization,” Proc. 2nd Int. Conf. Intell. Comput. Control Syst. ICICCS 2018, no. May, pp. 685–690, 2019.

Most read articles by the same author(s)

1 2 3 4 5 > >>