Analisa Sentimen Terhadap Kereta Cepat Jakarta – Bandung Menggunakan Algoritma Naïve Bayes Dan K-Nearest Neighbor

Zaky  Rahman Hakim; Sugiyono Sugiyono

doi:10.55338/saintek.v5i3.1423

Authors

Zaky Rahman Hakim, STIKOM Cipta Karya Informatika, Indonesia
Sugiyono Sugiyono, STIKOM Cipta Karya Informatika, Indonesia

DOI:

https://doi.org/10.55338/saintek.v5i3.1423

Keywords:

Data Mining, Twitter, Kereta Cepat Jakarta - Bandung, Naïve Bayes, K-Nearest Neighbor

Abstract

Kereta cepat Jakarta – Bandung merupakan salah satu proyek besar di Indonesia, dengan transportasi pertama di Indonesia ini kereta cepat Jakarta – Bandung banyak menuai banyak opini masyarakat Indonesia tanpa terkecuali media sosial seperti twitter, di jejaring sosial ini banyak menuai pro kontra mengenai proyek kereta cepat Jakarta – Bandung karena banyak bagian yang diuntungkan dan tidak sedikit juga yang dirugikan. Oleh karena itu pada penilitian ini, akan mengambil tweets dari twitter dengan kata kunci pencarian kereta cepat Jakarta – Bandung untuk diolah dan mengklasifikasikan teks dengan menggunakan metode analisisa sentimen. Tujuan dari penelitian ini adalah untuk menganalisis kelayakan kebijakan Transportasi Kereta Cepat Jakarta-Bandung apakah sudah sesuai dengan apa yang masyakarat Indonesia sekarang butuhkan atau malah sebaliknya. Penelitian ini menggunakan metode Naïve Bayes dan metode K-Nearest Neighbor. Untuk prosesnya analisis sentiment ini dilakukan dengan klasifikasi teks dibagi menjadi dua kelas yaitu kelas sentimen positif dan kelas sentimen negatif. Data yang digunakan berjumlah 2000 tweets yang terdiri dari 1000 data latih dan 1000 data uji.

Downloads

Download data is not yet available.

References

B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526.

P. Antinasari, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1718–1724, 2017, [Online]. Available: http://j-ptiik.ub.ac.id

A. R. FITRIANSYAH, “Analisis Sentimen Terhadap Pembangunan Kereta Cepat Jakarta - Bandung pada Media Sosial Twitter Menggunakan Metode SVM dan GloVe Word Embedding,” J. Tugas Akhir Fak. Inform., vol. 9, no. 5, pp. 6078–6083, 2022, [Online]. Available: https://repository.telkomuniversity.ac.id/home/catalog/id/181602

V. Ramadana Ovilia, P. Parameswari, and R. Muhaimin, “Analisis Dampak Kerja Sama Tiongkok-Indonesia melalui Aktivitas Utang Luar,” vol. 2019, 2015.

N. N. AINII, “Klasifikasi Sentimen, Topik, Dan Detail Topik Dari Ulasan Kai Access Menggunakan Multilayer Perceptron (Mlp) Dan Bidirectional Long Short Term Memory (Bilstm),” 2022, [Online]. Available: https://dspace.uii.ac.id/handle/123456789/40914%0Ahttps://dspace.uii.ac.id/bitstream/handle/123456789/40914/18523252.pdf?sequence=1&isAllowed=y

D. Aryanti, “Analisis Sentimen Ibukota Negara Baru Menggunakan Metode Naïve Bayes Classifier,” J. Inf. Syst. Res., vol. 3, no. 4, pp. 524–531, 2022, doi: 10.47065/josh.v3i4.1944.

E. N. Hamdana, “Pengembangan Sistem Analisis Sentimen Berbasis Java Pada Data Twitter Terhadap Omnibus Law Menggunakan Algoritma Naïve Bayes dan K-Nearst Neighbor (K-NN),” J. Inform. Polinema, vol. 7, no. 2, pp. 79–84, 2021, doi: 10.33795/jip.v7i2.688.

F. Nurhuda, S. W. Sihwi, and A. Doewes, “Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier,” ITSmart J. Teknol. dan Inf., vol. 2, no. 2, pp. 35–42, 2013.

F. Sodik and I. Kharisudin, “Analisis Sentimen dengan SVM , NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter,” Prisma, vol. 4, pp. 628–634, 2021.

C. Pricylia, A. Mulya, P. Nugraha, and I. Santoso, “ANALISIS SENTIMEN MASYARAKAT TERHADAP PEMBANGUNAN KERETA CEPAT JAKARTA – BANDUNG MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS,” vol. 7, no. 2.

Evasaria M. Sipayung, Herastia Maharani, and Ivan Zefanya, “Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier,” J. Sist. Inf., vol. 8, no. 1, pp. 2355–4614, 2016, [Online]. Available: http://ejournal.unsri.ac.id/index.php/jsi/index

M. Furqan, S. Sriani, and S. M. Sari, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia,” Techno.Com, vol. 21, no. 1, pp. 51–60, 2022, doi: 10.33633/tc.v21i1.5446.

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.

S. Haryati, A. Sudarsono, and E. Suryana, “Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),” J. Media Infotama, vol. 11, no. 2, pp. 130–138, 2015.

A. D. Adhi Putra, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 2, pp. 636–646, 2021, doi: 10.35957/jatisi.v8i2.962.