KLASIFIKASI SENTIMEN ULASAN PELANGGAN LAYANAN EKSPEDISI MENGGUNAKAN ALGORITMA NAÏVE BAYES
Abstract
Pemanfaatan media sosial twitter memiliki potensi besar dalam menghasilkan informasi, dari banyaknya jumlah opini dari masyarakat yang didapatkan, diperlukan analisis sentimen untuk mengklasifikasikan opini tersebut agar memudahkan dalam menemukan kecenderungan opini dari ulasan pengguna ekspedisi guna mengetahui seberapa besar persentase sentimen positif, dan negatif. Penelitian ini akan membandingkan antara model klasifikasi multinomial naïve bayes dan gaussian naïve bayes tanpa dan dengan menerapkan teknik balancing untuk mengatasi imbalance data. Hasil akurasi yang didapatkan pada metode multinomial naïve bayes tanpa menggunakan teknik balancing hasil akurasi sebesar 95%, sedangkan dengan random undersampling sebesar 95%, dan untuk random oversampling sebesar 97%. Pada metode gaussian naïve bayes tanpa menggunakan teknik balancing hasil akurasi sebesar 85%, sedangkan dengan random undersampling sebesar 80%, dan untuk random oversampling didapatkan hasil akurasi sebesar 93%.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Arifiyanti, A. A., & Wahyuni, E. D. (2020). Smote: Metode Penyeimbang Kelas Pada Klasifikasi Data Mining. SCAN - Jurnal Teknologi Informasi dan Komunikasi, 15(1), 34–39.
Kumar, S., & Pamdey, A. K. (2013). Chemistry and Biological Activities of Flavonoids: An Overview. Chemistry and Biological Activities of Flavonoids: An Overview, 1–16.
Lestari, A. R. T., Setya Perdana, R., & Fauzi, M. A. (2017). Analisis Sentimen Tentang Opini Pilkada Dki 2017 Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naïve Bayes dan Pembobotan Emoji. Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(12), 1718–1724.
Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies. 5(1), 1–167.
Manning, C. ., Raghavan, P., & Schütze, H. (2013). Probabilistic information retrieval. Introduction to Information Retrieval, 220–235.
Manning, C. D., Raghavan, P., & Schütze, H. (2009). Probabilistic information retrieval. Introduction to Information Retrieval, 220–235.
Novantirani, A., Sabariah, M. K., & Effendy, V. (2015). Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine. e-Proceeeding of Engineering, 2(1), 1–7.
Pudjiantoro, T. . (2013). Analisa Kompetensi Calon Pegawai Menggunakan Metode TF-IDF. Aristoteles, 10(2).
Siniwi, L. M., Prahutama, A., & Hakim, A. R. (2021). Query Expansion Ranking Pada Analisis Sentimen Menggunakan Klasifikasi Multinomial Naïve Bayes (Studi Kasus : Ulasan Aplikasi Shopee pada Hari Belanja Online Nasional 2020). Jurnal Gaussian, 10(3), 377–387.
Syukron, A., & Subekti, A. (2018). Penerapan Metode Random Over-Under Sampling dan Random Forest Untuk Klasifikasi Penilaian Kredit. Jurnal Informatika, 5(2), 175–185.
Torres, T. J. G. M., Saez, J. ., & Herrera, F. (2012). Study on the impact of partition- induced dataset shift on k-fold cross- validation. IEEE Transactions on Neural Networks and Learning Systems, 23(8), 1304– 1312.
Tyas, S. M. P., Rintyarna, B. S., & Suharso, W. (2022). The Impact of Feature Extraction to Naïve Bayes Based Sentiment Analysis on Review Dataset of Indihome Services. Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, 13(1), 1–10.
Wisudawati, J., Adiwijaya, & Faraby, S. Al. (2017). Klasifikasi Sentimen pada Movie Review dengan Metode Multinomial Naïve Bayes Sentiment Classification Movie Review Using Multinomial Naïve Bayes Method. e-Proceeding of Engineering, 4(2), 2978–2988.
Yoren. (2018). Perbandingan Raw TF dan Binary TF pada pencarian di situs Museum Wayang Kekayon Yogyakarta. Sanata Dharma University.
DOI: https://doi.org/10.32528/jasie.v4i1.21022
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 Jurnal Aplikasi Sistem Informasi dan Elektronika
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
