KOMPARASI ALGORITMA KLASIFIKASI UNTUK SENTIMEN ANALYSIS DJ.ID PADA TWITTER
##plugins.themes.academic_pro.article.sidebar##
##plugins.themes.academic_pro.article.main##
Abstract
Saat ini pendapat masyarakat menjadi sumber yang penting dalam pengambilan keputusan akan suatu produk atau jasa. Sentimen analisis berfungsi sebagai informasi hasil dari mengekspresikan secara tekstual terhadap pendapat sebuah masalah atau untuk mengindentifikasi kecenderungan hal yang terjadi di pasar. Tujuan dari penelitian ini adalah mengetahui seberapa besar sentimen analisis yang positif,negatif atau netral yang dilakukan oleh masyarakat yang bertransaksi online pada situs di website JD.id , berdasarkan komentar yang ada di sosialmedia twitter. Alasan utama menggunakan twitter karena komentar hanya dibatasi sebanyak 140 karakter sehingga mudah untuk dikelola. Metode klasifikasi yang digunakan dalam penelitain ini adalah SVM dan logistic regression yang dimana hasil yang didapatkan Support Vector Machine untuk AUC adalah 0.587, sedangkan dengan menggunakan metode neural network hasil yang diperoleh untuk AUC adalah 0.716.
##plugins.themes.academic_pro.article.details##
References
[2] Rosanti Utami Dewi, "penggunaan jejaring sosial twitter sebagai media promosi pada restoran ranjang 69" Commed : Jurnal Komunikasi dan Media, Vol. 1 No.2 Februari 2017. ISSN. 2527-8673.
[3] Busman, "Analisa Sentimen Menggunakan Data Twitter, Flume, Hive Pada Hadoop dan Java untuk Deteksi Kemacetan di Jakarta." JOIN (Jurnal Online Informatika) Volume 3 No. 1 | Juni 2018 : 1-9, DOI: 10.15575/join.v3i1.141.
[4] Christian Sri Kusuma Aditya, "Deteksi Bot Spammer pada Twitter Berbasis Sentiment Analysis dan Time Interval Entropy". Jurnal Buana Informatika, Volume 7, Nomor 3, Juli 2016: 179-186.
[5] Umi Rofiqoh, "Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features". Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol. 1, No. 12, Desember 2017, hlm. 1725-1732. e-ISSN: 2548-964X
[6] Pierre FICAMOS, "A Topic based Approach for Sentiment Analysis on Twitter Data" (IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 7, No. 12, 2016.
[7] S. Kamran, M. Shaikh, A. Naseem, and P. Kamble, “Exploiting Social Media Data for Traffic Monitoring Using the Techniques of Data Mining,” Int. J. Innov. Res. Comput. Commun. Eng., vol. 4, no. 3, 2016.
[8] Arvind Singh Raghuwanshi, Polarity Classification of Twitter Data using Sentiment Analysis, International Journal on Recent and Innovation Trends in Computing and Communication, Volume: 5 Issue: 6 ISSN: 2321-8169.
[9] Feldman, R & Dagan, I. (1995) Knowledge discovery in textual databases (KDT). Dalam Proceedings of the First International Conference on Knowledge Discovery and Data Mining (KDD-95), Montreal, Canada, August 20-21, AAAI Press, 112-117
[10] Triawati, Candra; Bijaksana, M.Arif; Indrawati, Nur; Saputro, Widyanto Adi. (2009) Pemodelan Berbasis Konsep Untuk Kategorisasi Artikel Berita Berbahasa Indonesia. Dalam Seminar Nasional Aplikasi Teknologi
[11] Ahmad Fathan Hidayatullah, Azhari SN, (2014). Analisis Sentimen dan Klasifikasi Kategori terhadap Tokoh Publik pada Twitter
[12] Agusta, L., Kristen, U. and Wacana, S., 2009. Perbandingan Algoritma Stemming Porter Dengan Algoritma Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa Indonesia. Konferensi Nasional Sistem dan Informatika 2009, (KNS&I09-036), pp.196–201.
[13] Santosa, B., 2015. Tutorial Support Vector Machine. [e-book] Surabaya: Institut Teknologi Sepuluh Nopember. Tersedia di: Google Cendekia