ANALISIS SENTIMEN JASA TRANSPORTASI ONLINE GOJEK PADA TWITTER MENGGUNAKAN METODE NAÏVE BAYES

• ANANDA CITRA MANTIKA

---

ABSTRAK

Ananda Citra Mantika (11190601), Analisis Sentimen Jasa Transportasi

Online Gojek Pada Twitter Menggunakan Metode Naïve Bayes.

 

 

Media sosial merupakan konten internet yang paling banyak diakses pengguna internet di Indonesia. Hal ini tidak mengherankan, mengingat banyaknya manfaat yang diberikan media sosial, salah satunya adalah manfaat untuk mengekspresikan diri. Ekspresi diri dapat mencakup banyak hal, termasuk keterbukaan emosional, yaitu keterbukaan seseorang dalam menyampaikan emosi yang sedang dirasakannya. Seiring dengan perkembangan media sosial, keterbukaan emosional semakin banyak dijumpai di media sosial, salah satunya adalah media sosial Twitter. Berkembangnya teknologi informasi, alat transportasi juga berkembang dengan adanya jasa transportasi online. Saat ini penggunaan jasa transportasi online sudah seperti kebutuhan, maka perlu melakukan analisis sentimen terhadap jasa transportasi online untuk mengetahui bagaimana tanggapan masyarakat terhadap jasa tranportasi online tersebut. Tujuan dari penelitian ini adalah untuk menganalisa tanggapan masyarakan dengan analisis data yang berupa tweet kemudian diklasifikasikan menjadi kelas positif, negatif, dan netral menggunakan metode Naïve Bayes. Hasil penelitian ini menunjukkan bahwa dengan metode yang digunakan tingkat sentimen netral dari tweet masyarakat lebih besar dibandingkan dengan tingkat sentimen positif dan sentimen negatif dengan akurasi sebesar 25.00%.

 

 

Kata Kunci: Transportasi Online, Analisis Sentimen, Twitter, Naïve Bayes

KATA KUNCI

Analisis,Analisa Sentimen,Naive Bayes

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

 

 

1. Boedi Abdullah, Beni Ahmad Saebani, Metode Penelitian Ekonomi Islam, (Bandung: Pustaka setia, 2014), h.199
2. B. M. Pintoko and K. M. L., “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naive Bayes Classifier,” e-Proceeding Eng., vol. 5, no. 3, pp. 8121–8130, 2018.
3. M. W. A. Putra, Susanti, Erlin, and Herwin, “Analisis Sentimen Dompet Elektronik Pada Twitter Menggunakan Metode Naïve Bayes Classifier,” IT J. Res. Dev., vol. 5, no. 1, pp. 72–86, 2020, doi: 10.25299/itje.2020.vol 5(1).5159.
4. Miner, G., Dursun, D., Elder, J., Fast, A., Hill, T., & Nisbet, B. (2012). Practical Text Mining and Statistical Analysis for Non-Structured Text Data Application. UK: Elsevier.
5. E. Dwianto and M. Sadikin, “Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine,” Format J. Ilm. Tek. Inform., vol. 10, no. 1, p. 94, 2021, doi: 10.22441/format.2021.v10.i1.009.
6. B. Nurfadhila, “Analisis Sentimen Untuk Mengukur Tingkat Indikasi Depresi

Pada Twitter Menggunakan Text Mining,” no. 1, 2018.

7. Wang, S., Li, D., Song, X., Wei, Y., & Li, H. (2011). A feature selection method based on improved fisher’s discriminant ratio for text sentiment classification. Expert Systems with Applications, 38(7), 8696–8702. http://doi.org/10.1016/j.eswa.2011.01.077
8. Xu, T., Peng, Q., & Cheng, Y. (2012). Identifying the semantic orientation of terms using S-HAL for sentiment analysis. Knowledge-Based Systems, 35, 279–289. http://doi.org/10.1016/j.knosys.2012.04.011
9. E. Sumartono and Y. A. S, “Strategi Nafkah Petani Sawit di Desa Penarik Kecamatan Penarik Kabupaten Mukomuko,” J. Maharani, vol. 1, no. 2, pp. 80– 95, 2018.
10. Tsytsarev, M., & Palpanas, T. (2012). Survey on mining subjective data on the web. Data Mining and Knowledge Discovery, 24(3), 478–514. http://doi.org/10.1007/s10618-011-0238-6
11. Singh, V., & Dubey, S. K. (2014). Opinion mining and analysis: A literature review. 2014 5th International Conference - Confluence The Next Generation Information Technology Summit (Confluence), 232–239. http://doi.org/10.1109/CONFLUENCE.2014.6949318
12. Liu, Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S. (2011). An improved particle swarm optimization for feature selection. Journal of Bionic

Engineering, 8(2), 191–200. http://doi.org/10.1016/S1672-6529(11)60020-6

13. Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. http://doi.org/10.1016/j.asej.2014.04.011
14. Bustami, “Penerapan Algoritma Naive Bayes untuk Mengklasifikasi Data Nasabah Asuransi,” J. Inform., vol. 8, no. 1, pp. 884–898, 2014, doi: 10.1364/OFC.2009.OWD2.
15. D. Aprilia, D. Aji Baskoro, L. Ambarwati, and I. W. S. Wicaksana, Belajar Data Mining Dengan Rapidminer. 2013.
16. W. Supriyanti, Kusrini, and A. Amborowati, “Perbandingan kinerja algoritma c4.5 dan naive bayes untuk ketepatan pemilihan konsentrasi mahasiswa,” INFORMA, vol. 1, no. 2012, pp. 61–67, 2016.
17. Sugiyono and Republik Indonesia, “Metode Penelitian Kuantitatif & kualitatif,”

Journal of Experimental Psychology: General. 2010.

18. N. Alfianika, Buku Ajar Metode Penelitian Pengajaran Bahasa Indonesia. Deepublish, 2018.
19. Sumanto and L. S. Marita, “Fuzzy Simple Additive Weighting (Saw) Untuk Analisa Kelayakan Pemberian Kredit Mobil,” JIP-Jurnal Inform. Merdeka Pasuruan, vol. Vol. 2, no. 2, pp. 1–13, 2017.