Optimasi Metode Decision Tree Menggunakan Particle Swarm Optimization Untuk Analisis Sentimen Review Game GTA V Roleplay

Authors

  • Veri Arinal STIKOM Cipta Karya Informatika,Duren Sawit Jakarta Timur
  • Bening Sari Purnomo STIKOM Cipta Karya Informatika

Keywords:

Twitter, Analisis Sentimen, GTA V Roleplay, Decision Tree, Particle Swarm Optimization

Abstract

Twitter merupakan media komunikasi yang penggunanya dapat saling bertukar informasi dan juga sebagai media hiburan. Game GTA V Roleplay banyak dibicarakan dan menjadi rekomendasi karena cara bermainnya yang unik dan santai. Dengan begitu, menimbulkan respon yang beragam dari pengguna Twitter terhadap game tersebut. Penelitian ini akan melakukan Analisis Sentimen terhadap review game GTA V Roleplay dengan metode Decision Tree. Metode tersebut akan dioptimalkan dengan fitur seleksi yaitu Particle Swarm Optimization (PSO) untuk meningkatkan akurasi dengan menentukan parameter-parameter proses yang menghasilkan klasifikasi yaitu nilai keputusan. Proses tahapan yang dilakukan yaitu meliputi pengumpulan data, pelabelan data, pre-processing data, pembobotan, penerapan metode, dan pengujian. Tujuannya adalah untuk menentukan apakah game tersebut bersentimen positif atau negatif dan diharapkan mampu menghasilkan hasil akurasi yang baik. Dari hasil pengujian yang dilakukan, didapatkan bahwa hasil nilai akurasi dari metode Decision Tree adalah 81,20%. Setelah ditingkatkan akurasinya dengan fitur seleksi Particle Swarm Optimization (PSO) maka hasil akurasi yang didapatkan adalah 83,63%. Lalu didapatkan 365 sentimen positif dan 71 sentimen negatif. Maka sesuai dengan nilai sentimen yang paling banyak yaitu sentimen positif maka game GTA V Roleplay merupakan game yang positif berdasarkan opini pengguna Twitter.

Downloads

Download data is not yet available.

References

“Buku_Data_Mining,” Muslim, Much Aziz et al, 2019.

M. S. et al Hartawan, “B6-Buku-Big-Data-(Informasi-dan-Kasus)”.

S. Sahara, R. Agung Permana, U. Bina Sarana Informatika, dan S. Antar Bangsa,

“METODE KNN PADA SENTIMENT ANALISIS REVIEW PRODUK GAME ANDROID,”

Online, 2022. [Daring]. Tersedia pada: www.zdnet.com

O. Y. Findawati, M. M. Muhammad, A. Rosid, S. Kom, dan M. Kom, BUKU AJAR

TEXT MINING Diterbitkan oleh UMSIDA PRESS.

B. Nugraha, “Metode Klasifikasi Analisis Sentimen pada Media Sosial,” 2020.

R. Primartha, B. Adhi Tama, A. Arliansyah, dan K. Januar Miraswan, “Decision tree

combined with pso-based feature selection for sentiment analysis,” dalam Journal

of Physics: Conference Series, Institute of Physics Publishing, Apr 2019. doi:

1088/1742-6596/1196/1/012018.

M. Raharjo, J. L. Putra, T. A. A. Sandi, dan M. Napiah, “ALGORITHM COMPARISON

WITH PSO FOR SENTIMENT ANALYSIS ON PSBB REGULATIONS IN INDONESIA,”

Paradigma - Jurnal Komputer dan Informatika, vol. 24, no. 1, hlm. 67–74, Mar

, doi: 10.31294/paradigma.v24i1.968.

M. Z. Farhan, “Analisis Sentimen Layanan Shopeefood pada Twitter dengan

Metode K-Nearest ….. ANALISIS SENTIMEN LAYANAN SHOPEEFOOD PADA

TWITTER DENGAN METODE K-NEAREST NEIGHBOR, SUPPORT VECTOR MACHINE,

DAN DECISION TREE,” Z. Farhan/ JIMI, vol. 7, no. 2, hlm. 2549–7480, 2022, doi:

35316/jimi.v7i2.96-107.

D. Pajri, Y. Umaidah, dan T. N. Padilah, “K-Nearest Neighbor Berbasis Particle

Swarm Optimization untuk Analisis Sentimen Terhadap Tokopedia,” Jurnal Teknik

Informatika dan Sistem Informasi, vol. 6, no. 2, Agu 2020, doi:

28932/jutisi.v6i2.2658.

P. Arsi, R. Wahyudi, dan R. Waluyo, “Optimasi SVM Berbasis PSO pada Analisis

Sentimen Wacana Pindah Ibu Kota Indonesia,” Jurnal RESTI (Rekayasa Sistem dan

Teknologi Informasi), vol. 5, no. 2, hlm. 231–237, Apr 2021, doi:

29207/resti.v5i2.2698.

G. Agus Trianto, M. F. Marzuki, T. Y. Sihotang, dan H. Irsyad, “2 ND MDP STUDENT

CONFERENCE (MSC) 2023 Universitas Multi Data Palembang | 1 KLASIFIKASI

OPINI TERHADAP RESESI INDONESIA 2023 PADA TWITTER MENGGUNAKAN

ALGORITMA DECESION TREE”.

A. Wahid dan G. Saputri, “Analisis Sentimen Komentar Youtube Tentang Relawan

Patwal Ambulance Menggunakan Algoritma Naïve Bayes dan Decision Tree,”

Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 2, hlm. 319, Des 2022,

doi: 10.30865/json.v4i2.4941.

C. Cahyaningtyas, Y. Nataliani, dan I. R. Widiasari, “Analisis sentimen pada rating

aplikasi Shopee menggunakan metode Decision Tree berbasis SMOTE,” AITI:

Jurnal Teknologi Informasi, vol. 18, no. Agustus, hlm. 173–184, 2021.

S. Dwi Pramukti, A. Nugroho, dan A. Supriyadi Sunge, “Analisis Sentimen

Masyarakat Dengan Metode Naïve Bayes dan Particle Swarm Optimization Public

Sentiment Analysis using Naïve Bayes Method and Particle Swarm Optimization.”

M. Alfi, R. Reynaldhi, dan Y. Sibaroni, “Analisis Sentimen Review Film pada Twitter

menggunakan Metode Klasifikasi Hybrid SVM, Naïve Bayes, dan Decision Tree.”

E. Miana, A. Ernamia, dan A. Herliana, “ANALISIS SENTIMEN KULIAH DARING

DENGAN ALGORITMA NAÏVE BAYES, K-NN DAN DECISION TREE,” JURNAL

RESPONSIF, vol. 4, no. 1, hlm. 70–80, 2022, [Daring]. Tersedia pada:

https://ejurnal.ars.ac.id/index.php/jti

M. S. Purude, V. Narayanrao, P. Lalitha, dan S. Kumari, “Analysis of Machine

Learning Algorithms for Predicting Depression,” 2020.

D. O. Ratmana, G. Fajar Shidik, A. Z. Fanani, Muljono, dan R. A. Pramunendar,

“Evaluation of feature selections on movie reviews sentiment,” dalam

Proceedings - 2020 International Seminar on Application for Technology of

Information and Communication: IT Challenges for Sustainability, Scalability, and

Security in the Age of Digital Disruption, iSemantic 2020, Institute of Electrical and

Electronics Engineers Inc., Sep 2020, hlm. 567–571. doi:

1109/iSemantic50169.2020.9234287.

A. Santoso, A. Nugroho, dan A. S. Sunge, “Analisis Sentimen Tentang Mobil Listrik

Dengan Metode Support Vector Machine Dan Feature Selection Particle Swarm

Optimization.”

A. Saepudin, R. Aryanti, dan E. Fitriani, “Optimasi Algoritma SVM Dan K-NN

Berbasis Particle Swarm Optimization Pada Analisis Sentimen Fenomena Tagar

GantiPresiden”, doi: 10.31294/jtk.v4i2.

R. Puspita dan A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve

Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” Jurnal Informatika

Universitas Pamulang, vol. 5, no. 4, hlm. 646, Des 2021, doi:

32493/informatika.v5i4.7622.

A. Fauzi, A. Heri, dan Y. #2, “JEPIN (Jurnal Edukasi dan Penelitian Informatika)

Optimasi Algoritma Klasifikasi Naive Bayes, Decision Tree, K-Nearest Neighbor,

dan Random Forest menggunakan Algoritma Particle Swarm Optimization pada

Diabetes Dataset”.

E. Karyadiputra dkk., “PENERAPAN ALGORITMA DECISION TREE C4.5 BERBASIS

PARTICLE SWARM OPTIMIZATION (PSO) UNTUK PREDIKSI TINGKAT KEPUASAN

PELAYANAN OBAT,” 2021.

F. Dany Prasetya, H. W. Nugroho, dan J. Triloka, “Analisa Data Mining Untuk

Prediksi Penyakit Hepatitis C Menggunakan Algoritma Decision Tree C.45 Dengan

Particle Swarm Optimization”, [Daring]. Tersedia pada: http://archive.ic

M. Abdul Azis dan P. Studi Ilmu Komputer STMIK Nusa Mandiri, “Analisis Prediksi

Kelulusan Mahasiswa Menggunakan Decission Tree Berbasis Particle Swarm

Optimization,” Sistem Informasi dan Komputer), vol. 09, hlm. 102–107, doi:

32736/sisfokom.v9.i1.

E. Y. Anggraeni, Pengantar Sistem Informasi. Yogyakarta: CV. ANDI OFFSET, 2017.

J. W. Iskandar dan Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k-NN untuk

Analisis Sentimen Gadget Berbasis Aspek,” Jurnal RESTI (Rekayasa Sistem dan

Teknologi Informasi), vol. 5, no. 6, hlm. 1120–1126, Des 2021, doi:

29207/resti.v5i6.3588.

B. Liu, “Introduction,” dalam Sentiment Analysis, Cambridge University Press,

, hlm. 1–17. doi: 10.1017/9781108639286.002.

J. Khatib Sulaiman, D. Setiyawati, N. Cahyono, dan U. Amikom Yogyakarta,

“Analisa Sentimen Pengguna Sosial Media Twitter Terhadap Perokok di

Indonesia,” Indonesian Journal of Computer Science Attribution, vol. 12, no. 1,

hlm. 2023–262.

I. Bagus, G. Sarasvananda, D. Selivan, M. L. Radhitya, N. Tri, dan A. Putra,

“SINTECH Journal | 227 Analisis Sentimen Pada Pembelajaran Daring Di Indonesia

Melalui Twitter Menggunakan Naïve Bayes Classifier”, [Daring]. Tersedia pada:

https://doi.org/10.31598

G. Irwandika dkk., PROSIDING SEMINAR NASIONAL LINGUISTIK DAN SASTRA

(SEMNALISA) 2021 VARIASI BAHASA OLEH WARGA KOTA MINISTRY OF ROLEPLAY

(MORP) INDONESIA PADA GAME GRAND THEFT AUTO V.

D. Feblian dan D. U. Daihani, “IMPLEMENTASI MODEL CRISP-DM UNTUK

MENENTUKAN SALES PIPELINE PADA PT X,” JURNAL TEKNIK INDUSTRI, vol. 6, no.

, Feb 2017, doi: 10.25105/jti.v6i1.1526.

D. C. Aprilla Donny Aji Baskoro Lia Ambarwati I Wayan Simri Wicaksana Editor dan

R. Sanjaya, “Identitas Belajar Data Mining dengan RapidMiner Hak Cipta © pada

Penulis Hak Guna mengikuti Open Content model Desain sampul: Dennis Aprilla

C."

Published

2023-08-21

How to Cite

Arinal, V., & Purnomo, B. S. (2023). Optimasi Metode Decision Tree Menggunakan Particle Swarm Optimization Untuk Analisis Sentimen Review Game GTA V Roleplay. Jurnal Sains Dan Teknologi, 5(1). Retrieved from https://ejournal.sisfokomtek.org/index.php/saintek/article/view/123-127

Issue

Vol. 5 No. 1 (2023): Jurnal Sains dan Teknologi

Section

Article

License

Copyright (c) 2023 Veri Arinal, Bening Sari Purnomo

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.