Sentimen Analisis Kebijakan Ganjil Genap Di Tol Bekasi Menggunakan Algoritma Naive Bayes Dengan Optimalisasi Information Gain

Abstract

Sentiment analysis off odd even numbered systems in Bekasi toll using the Naive Bayes Algoritma, is a process of understanding, extracting, and processing textual data automatically to obtain a sentiment information contained in an opinion sentence. After doing the weighting process, the data goes through the classification stage using the Naive Bayes method. Naive Bayes is a technique for making predictions, both in the case of classification and regression. In addition there are stages of text mining that are broadly define as intensive knowledge processes that allow users to interact with acollection of documents from time to time using variouskinds of anlysis. The research method used in this study is to do text mining on comments related to posts about even odd effectiveness on Bekasi toll on Twitter, Instagram, Youtube and Facebook. In doing text mining the following steps will be carried out: selection, preprocessing, transformation, datamining and evaluation. The text mining tool that will be used is using Rapidminer version 9.0 for the modeling front that is used. Then the analytical sentiment is carried out from tweets, comments and post submitted by the public. After the research was done, the results showed that the resultd of the tests carried out through the Naive Bayes model resulted in Confusion Matrix, namely accuracy of 79.55%, Precision of 80,37.03%, and Sensitivity or Recall of 80.51%. KESIMPULANSetelah dilakukan penelitian maka dapat disimpulkan bahwa tingkat Hasil pengujian yang dilakukan melalui model Naïve Bayes menghasilkan Confusion Matrix, yaitu accuracy sebesar 79,55%, Precision sebesar 80,37%, dan Sensitivity atau Recall sebesar 80,91%. Penelitian selanjutnya yang akan dilakukan adalah membandingkan metode algoritma antara Naïve Bayes dengan menambahkan seleksi fitur Information Gain Untuk mencari hasil akurasi mana algoritma terbaik diantara keduanya.

Analisis Sentimen Pengguna Sosial Media Twitter Terhadap Perokok Di Indonesia

“…Pada Decision Tree, output mudah dibaca dan diinterpretasikan tanpa adanya pengetahuan statistic, namun kurang stabil karena adanya perubahan data skala kecil akan menyebabkan perubahan hasil yang cukup signifikan [22]. Untuk menghitung tingkat akurasi, dalam penelitian ini menggunakan Confusion Matrix dengan menghitung jumlah prediksi benar dan salah dari sebuah metode klasifikasi berbanding dengan data sesungguhnya atau prediksi target [23]. Keterangan :…”

Analisis Sentimen Ulasan Villa di Ubud Menggunakan Metode Naive Bayes, Decision Tree, dan K-NN

“…Penelitian ini penulis akan menganalisis sentimen ulasan villa di Ubud dengan membandingkan metode Naive Bayes, Decision Tree dan k-NN. Untuk megetahui proses analisis sentimen akan diolah menggunakan RapidMiner [8]. Kemudian untuk menyeimbangkan data ulasan digunakan metode SMOTE up-sampling [9].…”

Naïve Bayes Algorithm Classification in Sentiment Analysis Covid-19 Wikipedia

“…Menurut penlitian yang dilakukan oleh Nanang Ruhyana, 2019 yang mendapatkan klasifikasi berbentuk teks dalam kategori positif dan negatif untuk penerapan lalu lintas ganjil genap, pada penelitian ini mendapatkan akurasi sebesar 86,67%, dengan precision sebesar 71,43% dan recall 80% (Ruhyana, 2019) dan Dwi Suci Ariska Yanti, Indriati, Putra Pandu Adikara, 2019 dalam proses pengujian mendapatkan hasil uji yang memiliki nilai F-Measure tertinggi sebesar 66,1% dan akurasi sebesar 66,5% [15].…”