Analisis Sentimen Publik pada Media Sosial Twitter Terhadap Tiket.com Menggunakan Algoritma Klasifikasi

Budiman Budiman; Zulmeida Silvana Anggraeni; Chairul Habibi; Nur Alamsyah

doi:10.31294/inf.v11i1.17988

Analisis Sentimen Publik pada Media Sosial Twitter Terhadap Tiket.com Menggunakan Algoritma Klasifikasi

Budiman Budiman, Zulmeida Silvana Anggraeni, Chairul Habibi, Nur Alamsyah

Abstract

Analisis sentimen merupakan proses identifikasi emosional seseorang terhadap suatu objek yang akan menghasilkan sentimen positif, negatif dan netral. Kemajuan teknologi ini tentu memberikan pengaruh terhadap berbagai pelaku bisnis untuk saling mengintegrasikan sistem bisnisnya satu sama lain, salah satunya Tiket.com. Hal tersebut tentu menghasilkan sentimen dari masyarakat Indonesia yang diunggah pada platform media sosial Twitter, sehingga membantu individu maupun organisasi dalam mengambil keputusan. Penelitian ini dilakukan untuk mengetahui klasifikasi sentimen masyarakat Indonesia terhadap Tiket.com menggunakan algoritma Naïve Bayes Classifier (NBC), K-Nearest Neighbor (KNN), Support Vector Machine (SVM) dan Random Forest (RF). Berdasarkan perhitungan data sentimen terhadap Tiket.com terdapat 90.3% sentimen positif dan 9.7% sentimen negatif. Persentase tersebut menunjukkan bahwa Tiket.com cukup berpengaruh positif terhadap penggunanya. Berdasarkan hasil pengujian algoritma klasifikasi, diketahui NBC memperoleh tingkat akurasi sebesar 88%, KNN dengan nilai k = 11 mendapatkan akurasi sebesar 91%, SVM menghasilkan tingkat akurasi sebesar 92%, dan tingkat akurasi RF mencapai 93% dengan n_estimators = 100. Kesimpulan pada penelitian ini, Random Forest merupakan algoritma yang memiliki tingkat akurasi paling tinggi dibanding dengan algoritma klasifikasi lain.

Full Text:

PDF (Bahasa Indonesia)

References

Anam, M. K., Pikir, B. N., & Firdaus, M. B. (2021). Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen dan Pemeritah. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(1), 139–150. https://doi.org/10.30812/matrik.v21i1.1092

Batta, M. (2018). Machine Learning Algorithms - A Review. International Journal of Science and Research (IJSR), 18(8), 381–386. https://doi.org/10.21275/ART20203995

Chauhan, R., & Hudaya, A. (2020). April 2020 Revised: 20. 1(4), 525–534. https://doi.org/10.31933/DIJEMSS

Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131. https://doi.org/10.33365/jtk.v15i1.744

Fitri, E. (2020). Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine. Jurnal Transformatika, 18(1), 71. https://doi.org/10.26623/transformatika.v18i1.2317

Gunawan, B., Pratiwi, H. S., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 4(2), 113. https://doi.org/10.26418/jp.v4i2.27526

Harahap, M. A., & Adeni, S. (2020). Tren Penggunaan Media Sosial Selama Pandemi Di Indonesia. Jurnal Professional FIS UNIVED, 7(2), 13–23.

Indriani, A. (2020). Analisa Perbandingan Metode Naïve Bayes Classifier Dan K-Nearest Neighbor Terhadap Klasifikasi Data. Sebatik, 24(1), 1–7. https://doi.org/10.46984/sebatik.v24i1.909

Irawan, F., & Samopa, F. (2018). A Comparative Assessment of the Random Forest and SVM Algorithms Using Combination of Principal Component Analysis and SMOTE For Accounts Receivable Seamless Prediction case study company X in Surabaya. Proceedings of the 2nd International Seminar Of Contemporary ONBUSINESS Research & Management, July, 2–14.

Iwandini, I., Triayudi, A., & Soepriyono, G. (2023). Analisa Sentimen Pengguna Transportasi Jakarta Terhadap Transjakarta Menggunakan Metode Naives Bayes dan K-Nearest Neighbor. Journal of Information System Research (JOSH), 4(2), 543–550. https://doi.org/10.47065/josh.v4i2.2937

Kwartler, T. (2017). What is Text Mining? John Wiley & Sons, Ltd. https://doi.org/https://dx.doi.org/10.1002/9781119282105.ch1

Mustofa, A., & Novita, R. (2022). Klasifikasi Sentimen Masyarakat Terhadap Pemberlakuan Pembatasan Kegiatan Masyarakat Menggunakan Text Mining Pada Twitter. Building of Informatics, Technology and Science (BITS), 4(1), 200–208. https://doi.org/10.47065/bits.v4i1.1628

Prasetyo, V. R., Lazuardi, H., Mulyono, A. A., & Lauw, C. (2021). Penerapan Aplikasi RapidMiner Untuk Prediksi Nilai Tukar Rupiah Terhadap US Dollar Dengan Metode Linear Regression. Jurnal Nasional Teknologi Dan Sistem Informasi, 7(1), 8–17. https://doi.org/10.25077/teknosi.v7i1.2021.8-17

Religia, Y. (2019). Feature Extraction Untuk Klasifikasi Pengenalan Wajah Menggunakan Support Vector Machine Dan K-Nearest Neighbor. Pelita Teknologi: Jurnal Ilmiah Informatika, Arsitektur Dan Lingkungan, 14(2), 85–92.

Sholeha, E. W., Yunita, S., Hammad, R., Hardita, V. C., & Kaharuddin, K. (2022). Analisis Sentimen Pada Agen Perjalanan Online Menggunakan Naïve Bayes dan K-Nearest Neighbor. JTIM : Jurnal Teknologi Informasi Dan Multimedia, 3(4), 203–208. https://doi.org/10.35746/jtim.v3i4.178

DOI: https://doi.org/10.31294/inf.v11i1.17988