ANALISIS SENTIMEN PRESIDENSI G20 INDONESIA MENGGUNAKAN ALGORITMA KLASIFIKASI

• SISKA WULANDARI

---

ABSTRAK

ABSTRAK

Siska Wulandari (11182626), Analisis Sentimen Presidensi G20 Indonesia Menggunakan Algoritma Klasifikasi

Perhelatan G20, untuk pertama kalinya di selenggarakan di Indonesia sejak dibentuk pada tahun 1999. Perhelatan yang memberi kesempatan kepada setiap anggotanya ini untuk menjadi tuan rumah dalam jangka sekali dua puluh tahun, tahun ini Indonesia diberi kesempatan sebagai Presidensi. Analisa sentimen atau opinion mining adalah salah satu cara untuk melihat bagaimana reaksi masyarakat Indonesia, terhadap pergelaran ini. Dengan Analisa sentimen kita bisa melihat reaksi positif atau reaksi negative dari pengguna Twitter di Indonesia yang sangat banyak dan beragam, Sehingga dibutuhkan pembelajaran mesin yang bisa mengklasifikasikan hasil tweet dengan cepat dan tepat. Metode yang digunakan dalam penelitian ini adalah metode klasifikasi Naive Bayes dan Support Vector Machine. Data yang diperoleh harus melalui tahap preprocessing yang terdiri dari data union, data cleansing, dan pelabelan, kemudian data yang sudah bersih diterapkan dengan algoritma yang telah dipilih. Data yang sudah bersih berjumlah 705 tweet. Dengan 527 data yang sudah dilabeli dijadikan data training sedangkan sisanya 178 data dijadikan data testing. Dari pengujian ini didapatkan akurasi naive bayes sebesar 89% dan support vector machine 88% sehingga algoritma naïve bayes merupakan algoritma dengan akurasi terbaik dengan sentimen positif sebagai sentimen yang dominan.

Kata Kunci : G20 Indonesia, Analisa Sentimen, Naive Bayes, Support Vector Machine, Akurasi.

KATA KUNCI

Algoritma Klasifikasi

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] S. Julina, “Komunikasi Internasional Indonesia Sebagai Presidensi G-20 Indonesia 2022 Ditinjau Dari Perspektif Diplomatik,” Citra Fikom Jayabaya, vol. 10, no. 1, pp. 1–2, 2022, [Online]. Available: http://jurnalcitra.id/index.php/JCN/article/download/41/33

[2] Faunda Liswijayanti, “Ketahui 7 Fakta Penting Presidensi G20 Indonesia 2022,” 2022. [Online]. Available: https://www.femina.co.id/trending-topic/ketahui-7- fakta-penting-presidensi-g20-indonesia-2022

[3] G20 Indonesi 2022, G20pedia. 2022. [Online]. Available: https://g20.org/

[4] E. Y. Hidayat, R. W. Hardiansyah, and A. Affandy, “Analisis Sentimen Twitter untuk Menilai Opini Terhadap Perusahaan Publik Menggunakan Algoritma Deep Neural Network,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 108–118, 2021, doi: 10.25077/teknosi.v7i2.2021.108-118.

[5] F. S. Jumeilah, “Klasifikasi Opini Masyarakat Terhadap Jasa Ekspedisi JNE dengan Naïve Bayes,” J. Sist. Inf. Bisnis, vol. 8, no. 1, p. 92, 2018, doi: 10.21456/vol8iss1pp92-98.

[6] L. Muflikhah, dian eka Ratnawati, and R. R. Putri, Buku ajar data mining/ Lailil Muflikhah, Dian Eka Ratnawati, Rekyan Regasari Mardi Putri. Malang: Universitas Brawijaya Press, 2018.

[7] D. Jollyta, W. Ramdhan, and M. Zarlis, Konsep data mining dan penerapan / Deny Jollyta, William Ramdhan dan Muhammad Zarlis. Yogyakarta: Deepublish, 2020.

[8] E. Fitri, “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.

[9] F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.

[10] U. Khaira, R. Johanda, P. Eko, P. Utomo, T. Suratno, and A. Info, “Sentiment Analysis of Cyberbullying on Twitter Using SentiStrength,” vol. 3, no. 1, pp. 21– 27, 2020.

[11] I. Hakim, A. Nugroho, S. H. Sukmana, and W. Gata, “Sentimen Analisis Stay Home menggunakan metode klasifikasi Naive Bayes, Support Vector Machine, dan k-Nearest Neighbor,” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 169–174, 2020, doi: 10.31294/p.v22i2.8237.

[12] Anonim, “Bab II Landasan Teori,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 8–24, 2019.

[13] O. . Purbo, Text mining?: analisis medsos, kekuatan brand dan intelijen di Internet / Onno W. Purbo?; editor, Aditya A. Christian. Yogyakarta: Penerbit Andi, 2019.

[14] I. A. Nikmatun, U. Diponegoro, I. Waspada, and U. Diponegoro, “IMPLEMENTASI DATA MINING UNTUK KLASIFIKASI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR,” vol. 10, no. 2, pp. 421–432, 2019.

[15] F. Miley and A. Read, “Using Word Clouds to Develop Proactive Learners,” J. Scholarsh. Teach. Learn., vol. 11, no. 2, pp. 91–110, 2011, [Online]. Available: http://search.ebscohost.com/login.aspx?direct=true&db=eric&AN=EJ932148&sit e=ehost-live

[16] J. W. Iskandar and Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 6, pp. 1120–1126, Dec. 2021, doi: 10.29207/resti.v5i6.3588.

[17] E. Indrayuni, “Komparasi Algoritma Naive Bayes Dan Support Vector Machine Untuk Analisa Sentimen Review Film,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 175, 2018, doi: 10.33480/pilar.v14i2.918.

[18] N. P. G. Naraswati, R. Nooraeni, D. C. Rosmilda, D. Desinta, F. Khairi, and R. Damaiyanti, “Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification,” Sistemasi, vol. 10, no. 1, p. 222, 2021, doi: 10.32520/stmsi.v10i1.1179.