Analisis Sentimen Pada Pelayanan Jaringan Internet Indihome Dengan Metode Multinomial Naïve Bayes Masa Pandemi Covid-19
Abstract
Pada saat pandemi Internet sangat dibutuhkan masyarakat karena semua pekerjaan dilakukan dirumah aja. Salah satu pelayanan jaringan internet di Indonesia adalah Indihome. Pengguna Indihome pun semakin banyak dengan imbasnya pandemi covid-19. Dengan semakin bertambahnya pengguna maka, banyak pula yang berkomentar tentang pelayanan internet di salah satu platform sosial media seperti Facebook. Penelitian ini bertujuan melakukan analisis sentimen pada komentar Facebook yang diambil dari fanspage Indihome. Menganalisis sentimen komentar masyarakat dengan klasifikasi metode Naïve Bayes. Dataset yang diambil menggunakan aplikasi facepager berjumlah total 854 data yang diambil pada saat masa pandemi. Kemudian dilabelin manual oleh pakar Bahasa dan dilakukan proses Text Mining. Sentimen pada dataset mempunyai 3 kelas yaitu Positif, Negatif, dan Netral. Tools yang digunakan untuk menghitung Naïve Bayes adalah Python. Mengklasifikasi dengan metode Naïve Bayes di prediksi menggunakan 4 Skenario dengan total 21 Akurasi. Dari 21 kali percobaan menghasilkan akurasi tertinggi menggunakan 10 fold iterasi 8 dengan Nilai sebesar 85.8%. Dari hasil uji coba dapat disimpulkan bahwa rata-rata tingkat akurasi cenderung meningkat dengan bertambahnya data training.
Keywords: Naïve Bayes, Covid-19, Indihome, Analisis Sentimen, Komentar Facebook.
Full Text:
PDFReferences
Abbas, M., Ali Memon, K., & Aleem Jamali, A. (2019). Multinomial Naive Bayes Classification Model for Sentiment Analysis. IJCSNS International Journal of Computer Science and Network Security, 19(3), 62.
Ali Imron, (2019). Analisis Sentimen Terhadap Tempat Wisata Di Kabupaten Rembang Menggunakan Metode Naïve Bayes Classifier, 45, 40.
Anisa Eka Puridewi, J. N. (2018). Perbandingan metode naive bayes, support vector machine dan id3 dalam penetapan status penanganan kecelakaan kerja. Seminar Nasional Matematika Dan Pendidikan Matematika, 130–137.
Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Introduction to Information Retrievel, Cambridge University Press. 2008
Cindy, MA. (2020). "Trafik Internet Naik 20% pada Masa Corona, Operator Kucurkan Rp 1,9 T", https://katadata.co.id/desysetyowati/digital/5e9d61d7b8736/trafik-internet-naik-20-pada-masa-corona-operator-kucurkan-rp-19-t, diakses pada 10 Maret 2021.
Devita, R. N., Herwanto, H. W., & Wibawa, A. P. (2018). Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(4), 427. https://doi.org/10.25126/jtiik.201854773
Dicky Nofriansyah, S.Kom., & Gunadi, W. N. (2015). ALGORITMA DATA MINING DAN PENGUJIAN. DEEPUBLISH.
Haqqizar, N., & Larasyanti, T. N. (2019). Analisis Sentimen Terhadap Layanan Provider Telekomunikasi Telkomsel Di Twitter Dengan Metode Naïve Bayes. Prosiding TAU SNAR-TEK 2019 Seminar Nasional Rekayasa Dan Teknologi, 10(2), 1–15.
Hasan, M. (2017). Prediksi Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Algoritma Naïve Bayes Berbasis Forward Selection. 9, 317–324.
Jason, B. (2018). "A Gentle Introduction to k-fold Cross-Validation", https://machinelearningmastery.com/k-fold-cross-validation/, diakses pada 01 Desember 2021.
Lutfiah Maharani Siniwi, Alan Prahutama, Arief Rachman Hakim. (2021). Query Expansion Ranking Pada Analisis Sentimen Menggunakan Klasifikasi Multinomial Naïve Bayes. Jurnal Gaussian, 10(3), 377-387.
Masripah, S. (2015). Evaluasi Penentuan Kelayakan Pemberian Kredit Koperasi Syariah Menggunakan Algoritma Klasifikasi C4.5. Jurnal Pilar Nusa Mandiri, XI(1), 1–10.
Mochammad HW. (2019). "Algoritma Naïve Bayes", https://binus.ac.id/bandung/2019/12/algoritma-naive-bayes/, diakses pada 20 Juli 2021.
Monarizqa, N., Nugroho, L. E., & Hantono, B. S. (2014). Penerapan Analisis Sentimen Pada Twitter Berbahasa Indonesia Sebagai Pemberi Rating. Jurnal Penelitian Teknik Elektro Dan Teknologi Informasi, 1, 151–155.
Musthofa, GH., & Azriel, Christian Nurcahyo, P. H. S. (2020). PENGARUH SENTIMEN DI SOSIAL MEDIA DENGAN HARGA SAHAM PERUSAHAAN. Jurnal Ilmiah Edutic, 6(2).
Purbo, O. W. (2019). Text Mining. Andi.
Ronny Julianto, Evi Dianti Bintari, I. (2017). Analisis Sentimen Layanan Provider Telepon Seluler pada Twitter menggunakan Metode Naïve Bayesian Classification. Journal of Big Data Analytic and Artificial Intelligence, 3(1).
Rosandy, T. (2016). Perbandingan Metode Naïve Bayes Classifier Dengan Metode Decision Tree (C.45) Untuk Menganalisa Kelancaran Pembiayaan. Jurnal TIM Darmajaya, 2(1), 52.
Saiyed, S., Bhatt, N., & Ganatra, A. P. (2016). A Survey on Naive Bayes Based Prediction of Heart Disease Using Risk Factors. International Journal of Innovative and Emerging Research in Engineering, 3(2), 111–115.
Septiani, W. D. (2017). Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis. Jurnal Pilar Nusa Mandiri, 13(1), 76–84.
https://doi.org/10.33480/pilar.v13i1.149
Servasius, D. H. (2019). Analisis Sentimen Pada Twitter Menggunakan Multinomial Naïve Bayes, 93.
Simon, K. (2020). "Indonesia Digital report 2020. Global Digital Insights", https://datareportal.com/reports/digital-2020-indonesia, diakses pada 10 Maret 2021.
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.