Sentimen Analisis Opini Masyarakat Pada Sosial Media Twitter Terhadap Organisasi Aksi Cepat Tanggap Menggunakan Naïve Bayes Classifier

Muhammad Fany Fahrezi, Angga Aditya Permana

Abstract


Adanya suatu topik permasalahan aksi cepat tanggap (act) menimbulkan berbagai macam tanggapan dari masyarakat. Banyaknya pemberitahuan yang berasal dari banyak sumber dapat mempengaruhi presepsi masyarakat. Berbagai macam penilaian tehadap organisasi act yang dialami masyarakat dapat menjadi pemicu terjadinya kemarahan dan kebingungan. Tujuan penelitian ini adalah untuk melakukan analisis sentimen menggunakan google colab dengan bahasa pemrograman python, untuk mengetahui opini-opini masyarakat pada media sosial twitter terhadap kabar mengenai organisasi act dengan kata kunci aksi cepat tanggap yang ada di Indonesia. Penelitian ini menggunakan google colab dengan bahasa pemrograman python untuk mencari dan mengambil data dari media sosial twitter. kemudian akan dilanjutkan dengan tahap preprocessing untuk membersihkan data yang telah diambil dari twitter. lalu mencari persentase dari topik permasalahan yaitu aksi cepat tanggap dengan metode naïve bayes classifier yang diklasifikasikan kedalam opini positif, negatif, dan netral. Hasil analisis sentimen ini akan dijabarkan dalam bentuk visualisasi  barplot, wordcloud, dan dalam bentuk diagram UML (Unified Modelling Language). Dengan begitu penelitian ini akan menghasilkan sebuah informasi analisis sentimen menggunakan google colab dengan bahasa pemrograman python dalam mengambil dan mengklasifikasi data.


Keywords


Sentimen Analisis, Aksi Cepat Tanggap, Naïve Bayes Classsifier, Python

References


Destitus, C., Wella, W., & Suryasari, S. (2020). Support Vector Machine VS Information Gain: Analisis Sentimen Cyberbullying di Twitter Indonesia. Ultima InfoSys : Jurnal Ilmu Sistem Informasi, 11(2), 107–111. https://doi.org/10.31937/si.v11i2.1740

Indira, D. N. V. S. L. S., Babu, C. S., Kumar, K. K., & Rao, C. V. (2021). A comprehensive review on sentiment analysis techniques and machine learning libraries in image processing. Annals of the Romanian Society for Cell Biology, 25(2), 4260–4267. https://www.scopus.com/inward/record.uri?partnerID=HzOxMe3b&scp=85102993548&origin=inward

Juanatas, I. C., Fajardo, R. R., Manansala, E. T., Pasilan, A. A., Tabor, J. R., & Balmeo, H. D. A. (2019). Sentiment Analysis Platform of Customer Product Reviews. In Proceedings of 2019 International Conference on Computational Intelligence and Knowledge Economy, ICCIKE 2019 (pp. 230–234). https://doi.org/10.1109/ICCIKE47802.2019.9004415

Kaur, S., & Sarabjeet. (2021). Customer Segmentation Using Clustering Algorithm. In Proceedings of International Conference on Technological Advancements and Innovations, ICTAI 2021 (pp. 224–227). https://doi.org/10.1109/ICTAI53825.2021.9673169

Maheswari, T. L., Rashmi, E. I., Hasanthi, M. M., & Elakkiya, R. (2022). Customer Segmentation Based on Sentimental Analysis. In 2022 International Conference on Advanced Computing Technologies and Applications, ICACTA 2022. https://doi.org/10.1109/ICACTA54488.2022.9753207

Patil, R. S., & Kolhe, S. R. (2021). Resource Creation for Sentiment Analysis of Under-Resourced Language: Marathi. In Communications in Computer and Information Science (Vol. 1380, pp. 445–457). https://doi.org/10.1007/978-981-16-0507-9_37

Steven, C., & Wella, W. (2020). The Right Sentiment Analysis Method of Indonesian Tourism in Social Media Twitter. IJNMT (International Journal of New Media Technology), 7(2), 102–110. https://doi.org/10.31937/ijnmt.v7i2.1732




DOI: http://dx.doi.org/10.31000/jt.v11i2.7053

Article Metrics

Abstract - 416 PDF (Bahasa Indonesia) - 550

Refbacks

  • There are currently no refbacks.


License URL: https://scholar.google.co.id/citations?user=RJRfBN0AAAAJ&hl=id&authuser=2