Text Mining Untuk Analisis Sentimen Review Film  Menggunakan Algoritma K-Means

Budi, Setyo

doi:10.33633/tc.v16i1.1263

Cited by 21 publications

(16 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Perkembangan website 4.0 dan tingginya penggunaan media sosial dapat dimanfaatkan untuk menjadi sumber informasi dan pengambilan keputusan, dengan melakukan text mining yang bersumber dari komentar pada media sosial ataupun website dapat melakukan analisis sentimen. Text mining merupakan salah satu teknik yang digunakan untuk menggali kumpulan dokumen text sehingga dapat diambil intisarinya (Budi, 2017) Penelitian yang telah dilakukan oleh Indrayuni analisis sentimen atau opinion mining merupakan salah satu solusi mengatasi masalah untuk mengelompokan opini atau review menjadi opini positif atau negatif atau netral secara otomatis (Indrayuni, 2016). Analisis sentimen dilakukan untuk mendapatkan informasi yang dapat digunakan sebagai manajemen reputasi dan sarana evaluasi bagi perusahaan (Oktasari, 2016).…”

Section: Rakhmi Khalida Siti Setiawati 20unclassified

Analisis Sentimen Sistem E-Tilang Menggunakan Algoritma Naive Bayes Dengan Optimalisasi Information Gain

Khalida

Setiawati

2020

Jiforty

View full text Add to dashboard Cite

Abstract The Government of Indonesia took steps to change the system to improve public services in traffic violations by implementing the e-ticketing system. This system is a solution for disciplining motorized motorists from committing traffic violations. The existence of e-ticketing is also a solution to prevent the delinquency of law enforcers from illegal levies, peace terms in place, to accountability of fines. In this study, sentiment analysis of the e-ticketing system or opinion mining to classify the variety of public comments that give a positive, negative or neutral impression. Twitter social media is one of the objects to express opinions because it is user friendly, updated topics, and openly accesses tweets. Opinions on Twitter are collected, then the preprocessing stage is performed, then the selection of information gain features helps reduce noise caused by irrelevant labels, the next step is the classification of sentiments with the Naïve Bayes algorithm and finally polarity sentiments. This research resulted in an accuracy of 41.82%, a precision of 50.51% and a recall of 45.45%. Keywords: Sentiment analysis, E-ticketing, Information Gain, Naive Bayes Abstrak Pemerintah Indonesia melakukan langkah perubahan untuk memperbaiki sistem pelayanan publik dalam pelanggaran berlalu-lintas yaitu dengan menerapkan sistem e-Tilang. Sistem ini menjadi solusi mendisiplinkan para pengendara kendaraan bermotor dari banyaknya melakukan pelanggaran berlalu-lintas. Keberadaan e-Tilang juga menjadi solusi mencegah kenakalan penegak hukum dari pungutan liar, istilah damai ditempat, hingga akuntabilitas uang denda. Dalam penelitian ini melakukan analisis sentimen tentang sistem e-Tilang atau opinion mining untuk mengelompokan ragam komentar masyarakat yang memberikan kesan positif, negatif atau netral. Media sosial Twitter menjadi salah satu objek untuk menyampaikan opini karena user friendly, topik ter-update, dan terbuka mengakses tweet. Opini pada twitter dikumpulkan, lalu dilakukan tahapan preprocessing, selanjutnya dengan seleksi fitur information gain membantu mengurangi noise yang disebabkan oleh label-label yang tidak relevan, tahap selanjutnya adalah klasifikasi sentimen dengan algoritma Naïve Bayes dan terakhir sentimen polarity. Penelitian ini menghasilkan accuracy 41,82%, presisi 50,51% dan recall 45,45%. Kata kunci: Analisis sentimen, E-Tilang, Information Gain, Naive Bayes

show abstract

Section: Rakhmi Khalida Siti Setiawati 20unclassified

Analisis Sentimen Sistem E-Tilang Menggunakan Algoritma Naive Bayes Dengan Optimalisasi Information Gain

Khalida

Setiawati

2020

Jiforty

View full text Add to dashboard Cite

show abstract

“…Selain akurasinya yang cukup tinggi algoritma stemming dan kualitas data yang digunakan juga berpengaruh terhadap nilai akurasi dari hasil pengujian. Algoritma K-Means juga digunakan untuk analisis sentimen review film dengan menguji hasil akurasi dari metode K-Means dengan menggunakan data review film berbahasa Inggris [13]. Pada penelitian ini diusulkan penggunaan dua metode yaitu metode K-Means dan Naïve Bayes Classifier untuk menghasilkan analisis sentimen opini data Twitter yang cenderung beropini positif atau negatif.…”

Section: Pendahuluanunclassified

Implementasi Metode K-Means dan Naïve Bayes Classifier untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019

Kurniawan¹,

Susanto²

2019

Jurnal Eksplora Informatika

View full text Add to dashboard Cite

Pemilihan umum presiden yang diselenggarakan setiap lima tahun sekali merupakan momen yang penting untuk mewujudkan demokrasi dalam Negara Kesatuan Republik Indonesia. Penyampaian dukungan dilakukan baik tim sukses, buser maupun pendukung untuk mencitrakan positif calon masing-masing. Berbagai media digunakan salah satunya adalah Twitter, masyarakat menyampaikan komentar positif dan negatif bahkan cenderung “kampanye hitam” dan hoax sebelum pemilu dilaksanakan maupun saat pemilu sedang berlangsung mengenai pemilu yang diadakan, komentar di Twitter saat ini belum dapat ditentukan lebih ke arah positif atau negatif, oleh karena itu perlu dilakukan analisis sentimen untuk mengetahui kecenderungan opini masyarakat terhadap pemilu. Tujuan dari penelitian ini memperoleh analisis dokumen text untuk mendapatkan sentimen positif atau negatif. Metode yang digunakan K-Means untuk melakukan klastering pada data latih dan Naive Bayes classifier untuk mengklasifikasi pada data testing. Hasil dari pembobotan ini berupa sentimen positif dan negatif. Data diambil dari Twitter mengenai pemilu presiden 2019 sebanyak 500 data tweet. Dari hasil pengujian 100 dan 150 data uji diperoleh akurasi rata-rata 93.35% dan error rate sebesar 6.66%.

show abstract

“…Dengan text mining tentunya kita bisa menggali data yang berasal dari pernyataan-pernyataan. Pendapat yang lain juga menyebutkan Text mining merupakan salah satu teknik yang digunakan untuk menggali kumpulan dokumen text sehingga dapat diambil intisarinya (Budi, 2017).…”

Section: Pendahuluanunclassified

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

Utama

Rosiyadi²,

Aridarma³

et al. 2019

pilar

View full text Add to dashboard Cite

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.

show abstract

Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means

Cited by 21 publications

References 0 publications

Analisis Sentimen Sistem E-Tilang Menggunakan Algoritma Naive Bayes Dengan Optimalisasi Information Gain

Analisis Sentimen Sistem E-Tilang Menggunakan Algoritma Naive Bayes Dengan Optimalisasi Information Gain

Implementasi Metode K-Means dan Naïve Bayes Classifier untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019

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

Contact Info

Product

Resources

About