Analisis Sentimen Pengguna Twitter Terhadap Layanan Provider Indihome Menggunakan Algoritma Naive Bayes

Hartatik Hartatik; Muhammad Enggar Aziz Hibbannuari

doi:10.47134/jacis.v3i1.53

Analisis Sentimen Pengguna Twitter Terhadap Layanan Provider Indihome Menggunakan Algoritma Naive Bayes

Authors

Hartatik Hartatik , Muhammad Enggar Aziz Hibbannuari

DOI:

10.47134/jacis.v3i1.53

Published:

2023-05-30

Issue:

Vol. 3 No. 1 (2023): Mei

Keywords:

Naive Bayes, Analisis Sentimen, Klasifikasi, IndiHome, Confussion Matrix

Articles

Downloads

PDF

How to Cite

Hartatik, H., & Enggar Aziz Hibbannuari, M. (2023). Analisis Sentimen Pengguna Twitter Terhadap Layanan Provider Indihome Menggunakan Algoritma Naive Bayes. Journal Automation Computer Information System, 3(1), 19–26. https://doi.org/10.47134/jacis.v3i1.53

Abstract

Indihome merupakan salah satu penyediaan layanan internet (ISP) yang ada di Indonesia yang jangkauan layanan sudah tercakup ke seluruh wilayah Indonesia. Sebuah penyedia layanan seperti Indihome pasti memiliki keluhan atau aduan tentang kepuasan atau kelayakan menggunakan Indihome, melalui data pengguna Twitter untuk mendapatkan akurasi nilai positif dan negatif terhadap layanan Indihome. Menggunakan data tweet pada Twitter merupakan memanfaatkan layanan yang disediakan untuk keluhan ataupun aduan terhadap Indihome. Pengambilan data tweet pada Twitter menggunakan script Bahasa Python. Data tersebut di klasikasi menggunakan Naive Bayes Classifier. Naive Bayes Classifier merupakan algoritma yang memanfaatkan perhitungan probabilitas dan statistik yang dikemukakan oleh Ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa mendatang berdasarkan data pada masa sebelumnya. Analisis Sentimen memiliki tahapan yaitu crawling, pre-processing, pembobotan kata, pembentukan model dan klasifikasi sentimen. Pada pembobotan kata digunakan metode TF - IDF. Data yang ada akan diklasifikasikan ke dalam 2 kelas, yaitu positif dan negatif. Data tersebut akan diuji melalui confusion matrix dengan parameter akurasi, recall dan precision

References

I. K. Suarjana and N. W. S. Suprapti, “Pengaruh Persepsi Harga, Pengetahuan Produk, Dan Citra Perusahaan Terhadap Niat Beli Layanan Multi Servis Merek Indihome,” E-Jurnal Manaj. Univ. Udayana, vol. 7, no. 4, 2018, doi: 10.24843/EJMUNUD.2018.v7.i04.p08 ISSN.

A. Nugroho and Y. Religia, “Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 504–510, 2021, doi: 10.29207/resti.v5i3.3067.

A. B. Putra Negara, H. Muhardi, and I. M. Putri, “Analisis Sentimen Maskapai Penerbangan Menggunakan Metode Naive Bayes Dan Seleksi Fitur Information Gain,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, pp. 599–606, 2020, doi: 10.25126/jtiik.202071947.

D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter BMKG Nasional,” J. Tekno Kompak, vol. 15, no. 1, p. 131, 2021, doi: 10.33365/jtk.v15i1.744.

C. F. Hasri and D. Alita, “Penerapan Metode Naïve Bayes Classifier Dan Support Vector Machine Pada Analisis Sentimen Terhadap Dampak Virus Corona Di Twitter,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 3, no. 2, pp. 145–160, 2022, doi: 10.33365/jatika.v3i2.2026.

S. Samsir, A. Ambiyar, U. Verawardina, Fi. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 1, p. 149, 2021, doi: 10.30865/mib.v5i1.2604.

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.

M. Saraswati and D. Riminarsih, “Analisis Sentimen Terhadap Pelayanan Krl Commuterline Berdasarkan Data Twitter Menggunakan Algortima Bernoulli Naive Bayes,” J. Ilm. Inform. Komput., vol. 25, no. 3, pp. 225–238, 2020, doi: 10.35760/ik.2020.v25i3.3256.

C. Hasanudin, S. Subyantoro, I. Zulaeha, and R. Pristiwati, “Strategi Menyusun Bahan Ajar Inovatif Berbasis Mobile Learning untuk Pembelajaran Mata Kuliah Keterampilan Menulis di Abad 21,” Pros. Semin. Nas. Pascasarj., pp. 343–347, 2021, [Online]. Available: http://pps.unnes.ac.id/prodi/prosiding-pascasarjana-unnes/

M. Muhibun, A. Firmansyah, M. Fatchan, and I. Afrianto, “Sistem Informasi Data Stok Pallet Pada CV. Selang Surya Kencana,” J. Autom. Comput. Inf. Syst., vol. 1, no. 1, pp. 1–7, 2021, doi: 10.47134/jacis.v1i1.1.

H. Hartatik, S. D. Nurhayati, and W. Widayani, “Sistem Rekomendasi Wisata Kuliner di Yogyakarta dengan Metode Item-Based Collaborative Filtering,” J. Autom. Comput. Inf. Syst., vol. 1, no. 2, pp. 55–63, 2021, doi: 10.47134/jacis.v1i2.8.

F. S. Lestari, H. Harliana, M. M. Huda, and T. Prabowo, “Sentiment Analysis of iPusnas Application Reviews on Google Play Using Support Vector Machine,” Proc. Int. Semin. Business, Educ. Sci., vol. 1, no. August, pp. 178–188, 2022, doi: 10.29407/int.v1i1.2656.