Analisis Sentimen Pada Media Sosial Menggunakan Perbandingan Algoritma Data Mining
DOI:
https://doi.org/10.26418/jp.v10i2.76024Keywords:
Analisis Sentimen, Algoritma Data Mining, Ensemble Voting, US Airline, Bag Of Word, Tf-Idf.Abstract
Twitter atau yang sekarang telah berubah nama menjadi X adalah sebuah platform media sosial yang banyak digunakan dalam bersosialisasi, bertukar informasi dan memberi tanggapan terhadap kejadian, penomena yang terjadi baik secara personal maupun bersifat umum. Hal ini lah yang menjadikan twitter atau X sebagai sarana melihat sebuah reaksi atau sentimen tehadap kejadian atau penomena. Reakasi atau sentimen yang dapat diketahui yaitu sentimen positif, negatif, dan netral. Data sentimen diambil dari komentar pengguna twitter atau X, yang kemudian dilakukan pembersihan dengan metode text mining dalam Natural Language Processing (NLP). Dalam analisis sentimen pada penelitian ini menggunakan dataset Twitter US Airline dengan menggunakan dua vektorisasi yaitu Bag Of Word dan Tf-Idf sabagai pembanding dalam pengukuran akurasi data. Pada penelitian ini evaluasi data tweet menggunakan metode algoritma data mining seperti Naïve Bayes, Gradient Boosting, Random Forest, Support Vector Machine (SVM), Adaboost, dan ensemble voting untuk melihat konsistensi akurasinya. Hasil penghitungan pada masing-masing algoritma data mining, maka dapat diketahui nilai akurasi dataset Twitter US Airline dalam analisis sentimen memiliki nilai akurasi cukup tinggi yaitu sebesar 0.95 atau 95% dengan vektorisasi data menggunakan Tf-Idf serta penghitungan metode data mining dengan algoritma support vector machine. Sementara vektorisasi dataset Twitter US Airline dengan bag of word memiliki nilai akurasi tertinggi sebesar 0.92 atau 92% menggunakan metode data mining algoritma Multinominal Naïve Bayes dan Support vector Machine.References
H. Utama and A. Masruro, “Analisis Sentimen pada Twitter menggunakan Word Embedding dengan Pendekatan Word2Vec,†2022.
R. Monika and S. Deivalakshmi, Sentiment Analysis of US Airlines Tweets using LSTM/RNN. IEEE, 2019.
A. Winanto and C. Budihartanti, “Comparison of the Accuracy of Sentiment Analysis on the Twitter of the DKI Jakarta Provincial Government during the COVID-19 Vaccine Time,†Journal of Computer Science and Engineering (JCSE), vol. 3, no. 1, pp. 14–27, Feb. 2022, doi: 10.36596/jcse.v3i1.249.
R. D. Himawan and Eliyani, “Perbandingan Akurasi Analisis Sentimen Tweet terhadap Pemerintah Provinsi DKI Jakarta di Masa Pandemi,†Jurnal Edukasi dan Penelitian Informatika, vol. 7, no. 1, pp. 58–63, Feb. 2021.
E. D. Nurindah Sari and Irhamah, “Analisis Sentimen Nasabah Pada Layanan Perbankan Menggunakan Metode Regresi Logistik Biner, Naïve Bayes Classifier (NBC), dan Support Vector Machine (SVM),†2019.
Md. T. H. K. Tusar and Md. T. Islam, “A Comparative Study of Sentiment Analysis Using NLP and Different Machine Learning Techniques on US Airline Twitter Data,†Oct. 2021, [Online]. Available: http://arxiv.org/abs/2110.00859
F. Syah, H. Fajrin, A. N. Afif, R. Saeputra, D. Mirranty, and D. D. Saputra, “Analisa Sentimen Terhadap Twitter IndihomeCare Menggunakan Perbandingan Algoritma Smote, Support Vector Machine, AdaBoost dan Particle Swarm Optimization,†Jurnal Teknologi Informasi dan Komunikasi), vol. 7, no. 1, 2023, doi: 10.35870/jti.
E. Prabhakar, M. Santhosh, A. H. Krishnan, T. Kumar, and R. Sudhakar B B Student, “Sentiment Analysis of US Airline Twitter Data using New Adaboost Approach,†2019. [Online]. Available: www.ijert.org
F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, “Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest,†2022. [Online]. Available: http://j-ptiik.ub.ac.id
M. F. Naufal and S. Ferdiana Kusuma, “Analisis Sentimen pada Media Sosial Twitter Terhadap Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat Berbasis Deep Learning,†Jurnal Edukasi dan Penelitian Informatika, vol. 8, no. 1, pp. 44–49, Apr. 2022.
R. Farhan, R. Pohan, D. E. Ratnawati, and I. Arwani, “Implementasi Algoritma Support Vector Machine dan Model Bag-of-Words dalam Analisis Sentimen mengenai PILKADA 2020 pada Pengguna Twitter,†2022. [Online]. Available: http://j-ptiik.ub.ac.id
E. Nur, F. Dewi, A. Putra Aldya, A. N. Rachman, and A. Ramdani, “Comparative Sentiment Analysis of Delivery Service PT.POS Indonesia and J&T Express on Twitter Social Media Using The Support Verctor Machine Algorithm,†International Journal of Information System & Technology Akreditasi, vol. 6, no. 158, pp. 664–676, 2023.
M. Hadiyan Sidik, S. Widiyanesti, and D. Puteri Ramadhani, “Analisis Sentimen dan Topic Modelling Terhadap Tim Nasional Indonesia di Kejuaraan AFF Suzuki Cup 2020 Berdasarkan Opini Pengguna Twitter Analysis of Sentiment and Topic Modeling of the Indonesian National Team in the 2020 AFF Suzuki Cup Championship Based on Twitter User Opinions,†2022.
F. Alzamzami, M. Hoda, and A. El Saddik, “Light Gradient Boosting Machine for General Sentiment Classification on Short Texts: A Comparative Evaluation,†IEEE Access, vol. 8, pp. 101840–101858, 2020, doi: 10.1109/ACCESS.2020.2997330.
A. Patel, P. Oza, and S. Agrawal, “Sentiment Analysis of Customer Feedback and Reviews for Airline Services using Language Representation Model,†in Procedia Computer Science, Elsevier B.V., 2022, pp. 2459–2467. doi: 10.1016/j.procs.2023.01.221.
