Komparasi Metode Klasifikasi Pada Analisis Sentimen Usaha Waralaba Berdasarkan Data Twitter

Mardiana, Tati; Syahreva, Hafiz; Tuslaela, Tuslaela

doi:10.33480/pilar.v15i2.752

Cited by 11 publications

(17 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Gambar 2 merupakan hasil penyandian axial artikel yang diklasifikasikan berdasarkan studi kasus, dengan deskripsi topik ulasan sebagai berikut : perguruan tinggi [15]; covid-19 [16], [17]; usaha waralaba [18]; ulasan video [19], [20]; ulasan produk [21]- [26]; ulasan pelanggan guest house [27]; ulasan aplikasi mobile [28]- [31]; pornografi [32]; travel agent [33], [34]; topik viral desa penari [35]; tokoh publik [36], [37]; solusi pengelolaan sampah [38]; sistem pencarian kost [39]; ruang belajar dan ruang guru [40]; perusahaan penjual online [24], [41], [42]; pengguna aplikasi mobile [43]. Hal ini menunjukkan bahwa kajian analisis sentimen terkait dengan ulasan video, produk, aplikasi mobile, travel agent, tokoh publik, perusahaan penjualan online menjadi populer.…”

Section: Gambar 2 Hasil Klasifikasi Studi Kasus Kajian Analisis Sentimen Sumber : Hasil Penyandian Axial Menggunakan Nvivo 12 Plusunclassified

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Singgalen

2021

Journal-ISI

View full text Add to dashboard Cite

This article use Systematic Literature Review (SLR) to classify sentiment analysis based on case studies, methods, social media, and platforms. The coding stage is divided into three stages, namely the open, selective and axial coding. The literature study on sentiment analysis is divided into two parts: identifying gaps based on case studies and data sources and identifying gaps based on the methods or algorithms used. The gap identification results based on case studies and data sources show that popular review topics are synonymous with entertainment, economic and political content. Therefore, the quantity of research with review topics related to the implementation of education, the dynamics of the bureaucracy, health facilities and services, and non-governmental organization’s activities need to be increased. Meanwhile, the most dominant platforms used as data sources are website and mobile-based applications. The results of the gap identification based on the method and algorithm show that the quantity of research with the Naive Bayes Classifier (NBC) and Support Vector Machine (SVM) method or algorithm is more dominant than the k-Nearest Neighbor (k-NN) and Lexicon-based. Thus, it is necessary to increase the number of other classification methods such as Particle Swarm Optimization, BM25, Decision Tree, K-Means, and Neural Networks.

show abstract

Section: Gambar 2 Hasil Klasifikasi Studi Kasus Kajian Analisis Sentimen Sumber : Hasil Penyandian Axial Menggunakan Nvivo 12 Plusunclassified

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Singgalen

2021

Journal-ISI

View full text Add to dashboard Cite

show abstract

“…Data mining merupakan proses untuk mengesktraksi informasi yang sebelumnya tidak diketahui atau menemukan pola dari data sehingga dapat dijadikan solusi pengambilan keputusan [8]- [11]. Klasifikasi digunakan sebagai proses penyelesaian masalah dengan menggunakan metode dalam data mining untuk mengelompokkan data berdasarkan keterikatan data terhadap data sampel [12].…”

Section: Pendahuluanunclassified

“…Metode-metode klasifikasi yang dipilih adalah metode yang populer digunakan untuk proses klasifikasi dan sering digunakan pada proses perbandingan metode. Penelitian ini akan menggunakan beberapa metode klasifikasi data mining, antara lain Naïve Bayes, Decision Tree, SVM, Neural Network, Random Tree, Random Forest, dan KNN [8]- [11], [13]- [16]. Metode klasifikasi yang terpilih akan digunakan sebagai metode yang terbaik dalam membantu untuk penentuan hasil keputusan atau rekomendasi tanaman pangan.…”

Section: Pendahuluanunclassified

“…Pra pemrosesan data diterapkan untuk meningkatkan akurasi pada proses perbandingan metode klasifikasi pada data yang disajikan [8]- [11], [14]. Semua data yang terkumpul yang masih dalam format raw perlu diintegrasikan, dibersihkan, ditransformasikan kemudian diseleksi berdasarkan atribut-atribut datanya yang telah disesuaikan dengan kebutuhan proses komparasi metode klasifikasi ini.…”

Section: Pra Pemrosesan Dataunclassified

“…Kernel dapat diartikan sebagai suatu fungsi yang memetakan ulang data pada ruang dimensi asal ke dalam ruang dimensi yang lebih baru untuk sementara. Metode ini termasuk metode yang sering dipakai untuk melakukan penentuan keputusan hingga proses prediksi dengan tingkat akurasi yang cukup tinggi [11]- [13], [15]. Metode ini akan memisahkan ruang atribut dengan hyperplane untuk memaksimalkan margin antara instance dari suatu kelas dengan nilai kelasnya [11], [27].…”

Section: A Naïve Bayesunclassified

See 2 more Smart Citations

Perbandingan Metode Klasifikasi Data Mining Untuk Rekomendasi Tanaman Pangan

Wibowo¹,

Ramadhani²

2021

mib

View full text Add to dashboard Cite

Determination of the right food crops needs to be done to improve the community's economy in the agricultural sector. The use of traditional cropping patterns needs to be changed by utilizing information technology. The utilization of data from local governments can be used to assist in providing recommendations for types of food crops by processing them with several data mining methods. This method can extract information to find patterns and knowledge from the data. The classification method approach is used as a grouping of data based on data attachment to sample data. This study uses several classification methods, namely Naïve Bayes, Decision Tree, Support Vector Machine (SVM), Neural Network, Random Tree, Random Forest, dan K Nearest Neighbor (KNN). These methods were successfully compared to find out which method is the best to help recommend appropriate and accurate food crops based on the results of the classification performance of each method. Random Tree was chosen as the best method for the results of this performance comparison using discretization and normalization methods at the pre-processing stage of the data. It can be seen based on the results of the Accuracy, Precision, Recall, and F1-Score values on the use of discretization of 98%, respectively. Meanwhile, normalization showed that the results of the Accuracy, Precision, Recall, and F1-Score values are 99%, respectively.

show abstract

Analisis Sentimen Masyarakat Terhadap COVID-19 Pada Media Sosial Twitter

Fairuz

Ramadhani²,

Tanjung³

2021

Indonesian.j.datasci.iot.machlearn.ai

View full text Add to dashboard Cite

Akhir tahun 2019 lalu dunia digemparkan oleh munculnya suatu penyakit yang disebabkan oleh virus SARS-CoV-2 yang merupakan jenis virus terbaru dari coronavirus. Penyakit ini dikenal dengan nama COVID-19. Penyebaran penyakit ini terbilang cukup luas dan cepat. Dalam waktu singkat penyakit ini mulai menyebar ke segala penjuru dunia tak terkecuali Indonesia. Dengan tingkat penyebaran yang begitu tinggi dan belum ditemukannya vaksin untuk COVID-19, menyebabkan kekacauan di tengah masyarakat. Hal ini mempengaruhi banyak sektor kehidupan masyarakat. Tak sedikit masyarakat yang aktif bersosial media dan menuliskan pendapat, opini serta pemikirannya di platform media sosial seperti Twitter. Terjadinya pandemi ini mendorong masyarakat untuk menuliskan opini, pemikiran serta pendapatnya terhadap COVID-19 pada media sosial Twitter. Dibutuhkan suatu model sentiment analysis untuk mengklasifikasi tweet masyarakat di Twitter menjadi positif dan negatif. Sentiment analysis merupakan bagian dari Natural Language Processing yang membuat sebuah sistem guna mengenali serta mengekstraksi opini dalam bentuk teks. Pada penelitian ini digunakan algoritma Naive Bayes dan K-Nearest Neighbor untuk digunakan dalam membangun model sentiment analysis terhadap tweet pengguna Twitter terhadap COVID-19. Didapatkan akurasi sebesar 85% untuk algoritma Naïve Bayes dan 82% untuk algoritma K-Nearest Neighbor pada nilai k=6, 8, dan 14.

show abstract

Komparasi Metode Klasifikasi Pada Analisis Sentimen Usaha Waralaba Berdasarkan Data Twitter

Cited by 11 publications

References 2 publications

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Perbandingan Metode Klasifikasi Data Mining Untuk Rekomendasi Tanaman Pangan

Analisis Sentimen Masyarakat Terhadap COVID-19 Pada Media Sosial Twitter

Contact Info

Product

Resources

About