Email this article Analisis Sentimen Netizen Twitter Terhadap Pelayanan Provider Telkomsel: Komparasi Naive-Bayes dan K-Nearest Neighbors
Abstract
Penggunaan media sosial secara masif saat ini menghadirkan berbagai macam respon masyarakat terhadap suatu hal. Misalnya pada informasi-informasi terkait utang Badan Usaha Milik Negara (BUMN) di Indonesia. Salah satu BUMN yang terbesar adalah PT Telkom Indonesia (Persero) yang memiliki produk berupa provider jaringan bernama Telkomsel. Penelitian bertujuan untuk mengetahui bagaimana sentimen netizen terhadap provider Telkomsel di Twitter dan mengetahui algoritma dengan akurasi terbaik yang dapat digunakan untuk memprediksi sentimen netizen terkait provider Telkomsel. Hasil dari penelitian menunjukan terdapat sentimen kurang puas sebesar 89,3%. Selain itu, algoritma K-NN memiliki akurasi terbaik dibandingkan algoritma Naïve Bayes dalam memprediksi sentimen netizen terhadap pelayanan provider Telkomsel.
Keywords
Full Text:
PDFReferences
F. Felicia and R. Loisa, “Peran Buzzer Politik dalam Aktivitas Kampanye di Media Sosial Twitter,” Koneksi, vol. 2, no. 2, p. 352, May 2019, doi: 10.24912/kn.v2i2.3906.
A. R. Prananda and I. Thalib, “Sentiment Analysis for Customer Review: Case Study of GO-JEK Expansion,” Journal of Information Systems Engineering and Business Intelligence, vol. 6, no. 1, p. 1, Apr. 2020, doi: 10.20473/jisebi.6.1.1-8.
B. Liu, Sentiment Analysis and Opinion Mining. Cham: Springer International Publishing, 2012. doi: 10.1007/978-3-031-02145-9.
Oman Somantri and Dairoh, “Analisis Sentimen Penilaian Tempat Tujuan Wisata Kota Tegal Berbasis Text Mining,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 5, no. 2, 2019.
Anni Karimatul Fauziyyah and Deden Hardan Gautama, “Analisis Sentimen Pandemi Covid-19 Pada Streaming Twitter Dengan Text Mining Python,” Jurnal Ilmiah Sinus (JIS), vol. 18, no. 2, 2020.
F. S. Pattiiha and H. Hendry, “Perbandingan Metode K-NN, Naïve Bayes, Decision Tree untuk Analisis Sentimen Tweet Twitter Terkait Opini Terhadap PT PAL Indonesia,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, p. 506, Apr. 2022, doi: 10.30865/jurikom.v9i2.4016.
W. W. Cholil, F. Panjaitan, F. Ferdiansyah, A. Arista, R. Astriratma, and T. Rahayu, “Comparison of Machine Learning Methods in Sentiment Analysis PeduliLindungi Applications,” in 2022 International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS), IEEE, Nov. 2022, pp. 276–280. doi: 10.1109/ICIMCIS56303.2022.10017669.
Muhammad Rangga Aziz Nasution and Mardhiya Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” JURNAL INFORMATIKA, vol. 6, no. 2, 2019.
Shima Fanissa, M. Ali Fauzi, and Sigit Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 8, 2018.
Fransiska Vina Sari and Arief Wibowo, “ANALISIS SENTIMEN PELANGGAN TOKO ONLINE JD.ID MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER BERBASIS KONVERSI IKON EMOSI,” Jurnal SIMETRIS, vol. 10, no. 2, 2019.
A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI,” Jurnal Teknoinfo, vol. 14, no. 2, p. 115, Jul. 2020, doi: 10.33365/jti.v14i2.679.
A. R. Isnain, J. Supriyanto, and M. P. Kharisma, “Implementation of K-Nearest Neighbor (K-NN) Algorithm For Public Sentiment Analysis of Online Learning,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 15, no. 2, p. 121, Apr. 2021, doi: 10.22146/ijccs.65176.
S. A. Dainamang, N. Hayatin, and D. R. Chandranegara, “Analisis Sentimen Media Sosial Twiiter terhadap RUU Omnibus Law dengan Metode Naive Bayes dan Particle Swarm Optimization,” Komputika : Jurnal Sistem Komputer, vol. 11, no. 2, pp. 211–218, Aug. 2022, doi: 10.34010/komputika.v11i2.6037.
K. Hulliyah, A. M. Almaisah, F. Mintarsih, S. U. Masrurah, D. Khairani, and S. Aripiyanto, “Analysis of Public Sentiment Using The K-Nearest Neighbor (k-NN) Algorithm and Lexicon Based on Indonesian Television Shows on Social Media Twitter,” in 2022 10th International Conference on Cyber and IT Service Management (CITSM), IEEE, Sep. 2022, pp. 1–5. doi: 10.1109/CITSM56380.2022.9936011.
N. Shahbazi, S. Bagheri, and G. B. Gharehpetian, “Identification and classification of cross-country faults in transformers using K-NN and tree-based classifiers,” Electric Power Systems Research, vol. 204, p. 107690, Mar. 2022, doi: 10.1016/j.epsr.2021.107690.
DOI: http://dx.doi.org/10.22441/incomtech.v14i1.22597
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Publisher Address:
Magister Teknik Elektro, Universitas Mercu Buana
Jl. Meruya Selatan 1, Jakarta 11650
Phone (021) 31935454/ 31934474
Fax (021) 31934474
Email: [email protected]
Website of Master Program in Electrical Engineering
http://mte.pasca.mercubuana.ac.id
pISSN: 2085-4811
eISSN: 2579-6089
Jurnal URL: http://publikasi.mercubuana.ac.id/index.php/Incomtech
Jurnal DOI: 10.22441/incomtech
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional
The Journal is Indexed and Journal List Title by:
