Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes

research
  • 08 Dec
  • 2020

Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes

Dalam penelitian analisis sentimen ini proses klasifikasi dokumen di bagi dalam dua kelas, yaitu kelas sentimen positif dan negatif. Media sosial telah menyediakan tempat bagi pengguna web untuk mengungkapkan berbagi pemikiran, pendapat dan menyampaikan berita tentang topik yang berbeda dalam sebuah acara . Data diperoleh dari jejaring sosial Instagram berdasarkan komentar yang ada . Penelitian ini bertujuan untuk menentukan sentimen publik terhadap universitas yang disampaikan di Instagram , sehingga membantu usaha untuk melakukan riset marketing atas opini publik. Klasifikasi algoritma seperti Naive Bayes (NB) yang diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen teks. Algoritma Naive Bayes dan metodenya, akan diuji dengan dua masukan dengan menggunakan komentar tokenize and Transform Case yang positif (100 teks komentar) dan negatif (100 komentar teks),akurasi yang di dapat algoritma Naive Bayes 76.50%+/-7.76%(mikro:76.50). Hasil penelitian menunjukkan bahwa Naive Bayes (NB) mendapatkan hasil terbaik dan akurat.

Unduhan

 

REFERENSI

Aji ,budilaksono, 2015. (n.d.). Aji dan Budilaksono-Analisis Sentimen Etika Berinternet Pada Media Sosial Dengan Menggunakan Algoritma Naive Bayes Dan Particle Swarm Optimization- 2015.

Darujati, C., Gumelar, A. B., Informasi, S., Komputer, F. I., Surabaya, U. N., Bayes, N., … Learning, S. (2012). PEMANFAATAN                     TEKNIK SUPERVISED UNTUK, 16(1), 1–8.

Dehkharghani, R., Mercan, H., Javeed, A., & Saygin, Y. (2014). Expert Systems with Applications Sentimental causal rule discovery from Twitter. EXPERT SYSTEMS WITH APPLICATIONS, 41(10),     4950–4958.

https://doi.org/10.1016/j.eswa.2014.02

.024

Feldman, R., Goldenberg, J., & Netzer, O. (2010). Mine your own business: Market structure surveillance through text mining. Marketing Science Institute, Special Report, 10(3), 10–

202.

https://doi.org/10.2139/ssrn.1816494

Indrayuni, E., Wahyudi, M., Informasi, S., Selatan, J., Komputer, I., & Selatan, J. (2015). Penerapan Character N-Gram Untuk Sentiment Analysis Review Hotel Menggunakan Algoritma Naive Bayes, 88–93.

Kang, H., Yoo, S. J., & Han, D. (2012).

Expert Systems with Applications Senti-lexicon and improved Naïve Bayes algorithms for sentiment analysis of restaurant reviews. Expert Systems With Applications, 39(5), 6000–6010.

https://doi.org/10.1016/j.eswa.2011.11

.107

Kontopoulos, E., Berberidis, C., Dergiades, T., & Bassiliades, N. (2013). Expert Systems with Applications Ontology- based sentiment analysis of twitter posts. Expert Systems With Applications, 40(10), 4065–4074. https://doi.org/10.1016/j.eswa.2013.01

.001

 

 

 

Ling, J., & Oka, T. B. (2014). Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Chi Square, 3(3), 92–99.

Saleh, A., El, M., & Menai, B. (2014). Naı ¨ ve Bayes classifiers for authorship attribution of Arabic texts. Journal of

King Saud University - Computer and Information Sciences, 26(4), 473–484. https://doi.org/10.1016/j.jksuci.2014.0 6.006

Surat Edaran Kapolri Mengenai Penanganan Ujaran Kebencian.Pdf. (2015).

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru