Gita Widarma, - SENTIMENT ANALYSIS OF PUBLIC OPINION REGARDING FUEL OIL ON TWITTER BY COMPARING CLASSIFICATION ALGORITHMS. 24th International Seminar on Intelligent Technology and Its Applications (ISITIA) 2023.

Preview

Text LAPORAN PAPER GITA WIDARMA 11950311555 FULL (FIX).pdf Download (6MB) | Preview

Abstract

Dengan naiknya harga Bahan Bakar Minyak (BBM) menimbulkan berbagai respon ataupun opini masyarakat, salah satunya menyampaikan aspirasinya melalui media sosial yaitu Twitter. Didalam sebuah tweet biasanya hanya terdiri dari beberapa penggalan kata saja yang pastinya mengandung sebuah informasi yang berguna. Text mining merupakan salah satu cara untuk mengatasi permasalahan tersebut karena text mining memiliki salah satu analisa yang berfokus untuk menganalisa suatu opini ataupun komentar yang diekstrak menjadi sebuah informasi sentimen apakah informasi tersebut bernilai positif atau negatif. Pada penelitian ini menggunakan tiga algoritma klasifikasi yang paling sering digunakan dalam data mining yaitu Decision Tree, K-Nearest Neighbor dan Naïve Bayes. Tujuan dari penelitian ini adalah untuk melihat hasil sentimen dari opini masyarakat mengenai naiknya harga bahan bakar minyak pada twitter dan melakukan perbandingan terhadap performa dari Algoritma Decision Tree, K-Nearest Neighbor, dan Naïve Bayes. Dalam penelitian ini juga akan menggunakan Feature Selection PSO untuk meningkatkan hasil akurasi dari algoritma yang digunakan. Data yang diperoleh yaitu sebanyak 5000 data tweet yang terdiri dari 2165 data tweet bersentimen negatif dan 2835 data tweet bersentimen positif. Data akan diuji berdasarkan jumlah data yang berbeda yaitu 1000 data, 3000 data dan 5000 data. Hasil dari algoritma yang terbaik saat diuji menggunakan 1000 data adalah algoritma K-Nearest Neighbor klasik dengan nilai 75.60%. Sedangkan nilai akurasi terbaik pada pengujian (3000 Data) adalah algoritma K-Nearest Neighbor berbasis PSO dengan nilai 78.21%. Sementara itu, pada pengujian (5000 Data) algoritma K-Nearest Neighbor klasik menjadi yang terbaik dengan nilai akurasi 74.02%.

Actions (login required)

View Item