Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah

Keywords: komentar netizen, analisis sentimen, Naïve Bayes Classifier (NBC), K-Nearest Neighbor (KNN), Decision tree

Abstract

Pemerintah Pekanbaru saat ini sudah menerapkan teknologi dalam sistem pemerintahan, penerapannya saat ini masih mendapat keluhan dari masyarakat seperti layanan publik command center yang hanya sebagian masyarakat mengetahuinya dan penerapan cctv yang ada di Alat Pemberi Isyarat Lalu Lintas (APILL) yang belum berfungsi dengan baik. Penerapan teknologi lainnya oleh Pemerintah Pekanbaru dapat kita lihat dari keberadaan portal-portal web situs resmi Pemerintah. Sedangkan untuk melihat beragam komentar netizen dari twitter. Twitter menjadi tempat untuk mendapatkan data yang diungkapkan masyarakat melalui tweets yang diposting ke timeline. Analisa sentimen dilakukan untuk melihat pendapat atau kecenderungan opini netizen terhadap pemerintah Pekanbaru yang mengandung sentimen positif, negatif, dan netral. Data yang digunakan adalah tweet dengan jumlah dataset sebanyak 150 tweets. Data tersebut kemudian di analisa agar menjadi informasi. Analisa dilakukan menggunakan metode data mining yaitu Naïve Bayes Classifier, K-Nearest Neighbor (KNN), dan Decision tree. Penggunaan ketiga pendekatan ini berupaya untuk mengkategorikan hasil komentar netizen terkait penggunaan teknologi yang telah melalui proses analisis sentimen dan membandingkan keakuratan ketiga cara tersebut. Hasil akurasi yang didapatkan cukup beragam yaitu dari metode Naïve Bayes akurasi 100%, metode KKN akurasi 98,25%, dan metode decision tree akurasi 62,28%.

Downloads

Download data is not yet available.

References

[1] Pirawa, “Profil Kota Pekanbaru Provinsi Riau,” www.riaumagz.com/, 2018. https://www.riaumagz.com/2018/03/profil-kota-pekanbaru-provinsi-riau.html (accessed Aug. 18, 2020).
[2] Ruswana, “Titik Promosi Strategis di Kota Pekanbaru,” swastikaadvertising.com, 2020. https://swastikaadvertising.com/titik-promosi-strategis-di-kota-pekanbaru/ (accessed Sep. 24, 2020).
[3] I. Gamayanto, F. E. Nilawati, and - Suharnawi, “Pengembangan dan Implementasi dari Wise Netizen (E-Comment) di Indonesia,” Techno.Com, vol. 16, no. 1, pp. 80–95, 2017, doi: 10.33633/tc.v16i1.1323.
[4] M. K. Anam, “Analisis Respons Netizen Terhadap Berita Politik Di Media Online,” J. Ilm. Ilmu Komput., vol. 3, no. 1, pp. 14–21, 2017, doi: 10.35329/jiik.v3i1.62.
[5] Mulawarman and A. D. Nurfitri, “Perilaku Pengguna Media Sosial beserta Implikasinya Ditinjau dari Perspektif Psikologi Sosial Terapan,” Bul. Psikol., vol. 25, no. 1, pp. 36–44, 2017, doi: 10.22146/buletinpsikologi.22759.
[6] I. Rozi, S. Pramono, and E. Dahlan, “Implementasi Opinion Mining (Analisis Sentimen) Untuk Ekstraksi Data Opini Publik Pada Perguruan Tinggi,” J. EECCIS, vol. 6, no. 1, pp. 37–43, 2012.
[7] A. Suryanto et al., “Optimasi Naive Bayes Menggunakan Optimize Weights dan Stratified Pada Data Kredit Operasi,” J. Mantik, vol. 3, no. 1, pp. 211–219, 2019.
[8] A. Pattekari, S.A.; Parveen, “Prediction system for heart disease using Naïve Bayes,” Int. J. Adv. Comput. Math. Sci., vol. 3, no. 3, pp. 290–294, 2012.
[9] G. Wahyuningtyas, I. Mukhlash, and Soetrisno, “Aplikasi Data Mining untuk Penilaian Kredit Menggunakan Metode Fuzzy Decision Tree,” J. Sains Dan Seni Pomits, vol. 2, no. 1, pp. 1–6, 2014.
[10] Y. Sunoto and B. Wasito, “Analisis Testimonial Wisatawan Menggunakan Text Mining Dengan Metode Naive Bayes Dan Decision Tree , Studi Kasus Pada Hotel – Hotel Di Jakarta,” J. Inform. dan Bisnis Anal., vol. 3, no. 2, pp. 39–49, 2014.
[11] A. Deviyanto and M. D. R. Wahyudi, “Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 3, no. 1, p. 1, 2018, doi: 10.14421/jiska.2018.31-01.
[12] Y. Cahyono, “Analisis Sentiment pada Sosial Media Twitter Menggunakan Naїve Bayes Classifier dengan Feature Selection Particle Swarm Optimization dan Term Frequency,” J. Inform. Univ. Pamulang, vol. 2, no. 1, p. 14, 2017, doi: 10.32493/informatika.v2i1.1500.
[13] Y. S. Mahardhika and E. Zuliarso, “Analisis Sentimen Terhadap Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes,” in Prosiding SINTAK 2018, 2018, pp. 409–413.
[14] F. Nurhuda and S. W. Sihwi, “Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier,” ITSmart J. Ilm. Teknol. dan Inf., vol. 2, no. 2, pp. 35–42, 2013.
[15] S. W. U. Vitandy, A. A. Supianto, and F. A. Bachtiar, “Analisis Sentimen Evaluasi Kinerja Dosen menggunakan Term Frequency- Inverse Document Frequency dan Naïve Bayes Classifier,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 6, 2019.
[16] B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526.
[17] F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd. Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 2, no. 2, pp. 681–686, 2019, doi: https://doi.org/10.24176/simet.v10i2.3487.
[18] V. A. Permadi, “Analisis Sentimen Menggunakan Algoritma Naive Bayes Terhadap Review Restoran di Singapura,” J. Buana Inform., vol. 11, no. 2, p. 140, 2020, doi: 10.24002/jbi.v11i2.3769.
[19] M. Syarifuddin, “Analisis Sentimen Opini Publik Terhadap Efek Psbb Pada Twitter Dengan Algoritma Decision Tree-Knn-Naïve Bayes,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 87–94, 2020, doi: 10.33480/inti.v15i1.1433.
[20] R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 646, 2021, doi: 10.32493/informatika.v5i4.7622.
[21] N. T. Romadloni, I. Santoso, and S. Budilaksono, “Perbandingan Metode Naive Bayes , Knn Dan Decision Tree Terhadap Analisis Sentimen Transportasi Krl,” J. IKRA-ITH Inform., vol. 3, no. 2, pp. 1–9, 2019.
[22] A. Salam, J. Zeniarja, and R. S. U. Khasanah, “ANALISIS SENTIMEN DATA KOMENTAR SOSIAL MEDIA FACEBOOK DENGAN K-NEAREST NEIGHBOR ( STUDI KASUS PADA AKUN JASA,” in Prosiding SINTAK, 2018, pp. 480–486.
[23] Z. U. Siregar, R. R. A. Siregar, and R. Arianto, “Klasifikasi Sentiment Analysis Pada Komentar Peserta Diklat Menggunakan Metode K-Nearest Neighbor,” Kilat, vol. 8, no. 1, pp. 81–92, 2019, doi: 10.33322/kilat.v8i1.421.
[24] M. K. Anam, T. P. Lestari, L. B. Firdaus, and S. Fadli, “Analisis Kesiapan Masyarakat Pada Penerapan Smart City di Sosial Media Menggunakan SNA,” J. RESTI (Rekayasa, vol. 5, no. 1, pp. 69–81, 2021, doi: https://doi.org/10.29207/resti.v5i1.2742.
[25] H. Juanda, “Media Sosial Sebagai Penyebarluasan Informasi Pemerintah Aceh,” J. Peurawi, vol. 1, no. 1, pp. 1–22, 2017, doi: 10.22373/jp.v1i1.1988.
[26] E. Novianti, A. Ruchiyat Nugraha, L. Komalasari, K. Komariah, and S. Rejeki, “Pemanfaatan Media Sosial Dalam Penyebaran Informasi Program Pemerintah (Studi Kasus Sekretariat Daerah Kabupaten Pangandaran),” AL MUNIR J. Komun. dan Penyiaran Islam, vol. 11, no. 1, pp. 48–59, 2020, doi: https://doi.org/10.15548/amj-kpi.v0i0.1499.
[27] Yovinus, “Peran Komunikasi Publik Media Sosial dalam Implementasi Kebijakan Keterbukaan Informasi Publik Di Kota Bandung,” J. Acad. Praja, vol. 1, no. 1, pp. 185–211, 2018, doi: https://doi.org/10.36859/jap.v1i01.47.
[28] C. M. Zellatifanny, “Respon Pengguna Twitter terhadap Regulasi Pengendalian Akses Ponsel Ilegal melalui Validasi IMEI (Twitter User’s Response to Regulation of Contraband Cell Phone Access Control through IMEI Validation),” J. IPTEKKOM J. Ilmu Pengetah. Teknol. Inf., vol. 21, no. 2, p. 139, 2019, doi: 10.33164/iptekkom.21.2.2019.139-154.
[29] R. Cahyani, I. S. Rozas, and N. Yalina, “Analisis Sentimen Pada Media Sosial Twitter Terhadap Tokoh Publik Peserta Pilpres 2019,” MATICS J. Ilmu Komput. dan Teknol. Inf., vol. 12, no. 1, pp. 46–54, 2020, doi: 10.18860/mat.v12i1.8356.
[30] E. Fitri, Y. Yulian, S. Rosyida, and W. Gata, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine,” J. Transform., vol. 18, no. 1, p. 71, 2020, doi: 10.26623/transformatika.v18i1.2317.
[31] P. M. Prihatini, “Implementasi Ekstraksi Fitur Pada Pengolahan Dokumen Berbahasa Indonesia,” J. Matrix, vol. 6, no. 3, pp. 174–178, 2016.
[32] R. R. Rerung, “Penerapan Data Mining dengan Memanfaatkan Metode Association Rule untuk Promosi Produk,” J. Teknol. Rekayasa, vol. 3, no. 1, p. 89, 2018, doi: 10.31544/jtera.v3.i1.2018.89-98.
[33] A. N. Ulfah and M. K. Anam, “Analisis Sentimen Hate Speech Pada Portal Berita Online Menggunakan Support Vector Machine (SVM),” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 7, no. 1, pp. 1–10, 2020, doi: 10.35957/jatisi.v7i1.196.
[34] W. A. Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4704–4713, 2018.
[35] M. Adriani, J. Asian, B. Nazief, and S. M. . Tahaghoghi, “Stemming Indonesian: A Confi x-Stripping Approach,” ACM Trans. Asian Lang. Inf. Process., vol. 6, no. 4, 2007, doi: 10.1145/1316457.1316459.
[36] A. Deolika, K. Kusrini, and E. T. Luthfi, “Analisis Pembobotan Kata Pada Klasifikasi Text Mining,” J. Teknol. Inf., vol. 3, no. 2, p. 179, 2019, doi: 10.36294/jurti.v3i2.1077.
[37] A. T. Ni’mah and A. Z. Arifin, “Perbandingan Metode Term Weighting terhadap Hasil Klasifikasi Teks pada Dataset Terjemahan Kitab Hadis,” Rekayasa, vol. 13, no. 2, pp. 172–180, 2020, doi: 10.21107/rekayasa.v13i2.6412.
[38] R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 157, 2019, doi: 10.26418/jp.v5i2.32473.
[39] M. A. Maricar and Dian Pramana, “Perbandingan Akurasi Naïve Bayes dan K-Nearest Neighbor pada Klasifikasi untuk Meramalkan Status Pekerjaan Alumni ITB STIKOM Bali,” J. Sist. dan Inform., vol. 14, no. 1, pp. 16–22, 2019, doi: 10.30864/jsi.v14i1.233.
[40] R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 427, 2018, doi: 10.25126/jtiik.201854773.
[41] N. A. Setifani, D. N. Fitriana, and A. Yusuf, “Perbandingan Algoritma Naïve Bayes, Svm, Dan Decision Tree Untuk Klasifikasi Sms Spam,” JUSIM (Jurnal Sist. Inf. Musirawas), vol. 5, no. 02, pp. 153–160, 2020, doi: 10.32767/jusim.v5i02.956.
[42] Y. Asri, “Analisa Perbandingan Keputusan Metode Klasifikasi Decision Tree dan Naive Bayes Dalam Penentuan Diagnosa Hipertensi,” J. Kaji. Ilmu dan Teknol., vol. 4, pp. 41–46, 2015.
[43] A. M. Raya, F. Nurbaiti, and D. Sofia, “Klasifikasi Sentimen Masyarakat Terhadap Kenaikan Harga Tiket Pesawat Pada Twitter Menggunakan Naive Bayes,” Instek, vol. 4, no. 2, pp. 239–246, 2019.
[44] S. Saidah and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.
Published
2021-11-27
How to Cite
Anam, M. K., Pikir, B., & Firdaus, M. (2021). Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(1), 139-150. https://doi.org/https://doi.org/10.30812/matrik.v21i1.1092
Section
Articles