SENTIMEN ANALISIS KEBIJAKAN GANJIL GENAP DI TOL BEKASI MENGGUNAKAN ALGORITMA NAIVE BAYES DENGAN OPTIMALISASI INFORMATION GAIN

  • Heru Sukma Utama PASCA SARJANA STMIK NUSA MANDIRI
  • Didi Rosiyadi Ilmu Komputer STMIK Nusa Mandiri
  • Dedi Aridarma Ilmu Komputer STMIK Nusa Mandiri
  • Bobby Suryo Prakoso Ilmu Komputer STMIK Nusa Mandiri
Keywords: Naive Bayes, Text Mining, Kebijakan Ganjil Genap

Abstract

Analysis of the odd even-numbered sentiment systems in Bekasi toll using the Naïve Bayes Algorithm, is a process of understanding, extracting, and processing textual data automatically from social media. The purpose of this study was to determine the level of accuracy, recall and precision of opinion mining generated using the Naïve Bayes algorithm to provide information community sentiment towards the effectiveness of the odd system of Bekasi tiolls on social media. The research method used in this study was to do text mining in comments-comments regarding posts regarding even odd oddities on Bekasi toll on Twitter, Instagram, Youtube and Facebook. The steps taken are starting from preprocessing, transformation, datamining and evaluation, followed by information gaon feature selection, select by weight and applying NB Algorithm model. The results obtained from the study using the NB model are obtained Confusion Matrix result, namely accuracy of 79,55%, Precision of 80,51%, and Sensitivity or Recall of 80,91%. Thus this study concludes that the use of Support Vector Machine Algorithms can analyze even odd sentiments on the Bekasi toll road.

Downloads

Download data is not yet available.

References

Budi, S. (2017). Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means. Techno.Com. https://doi.org/10.33633/tc.v16i1.1263

Darujati, C. (2010). PERBANDINGAN KLASIFIKASI DOKUMEN TEKS MENGGUNAKAN METODE NAÏVE BAYES DENGAN K-NEAREST NEIGHBOR Abstrak. Universitas Stuttgart.

Faradhillah, N. Y. A., Kusumawardani, R. P., & Hafidz, I. (2016). Eksperimen Sistem Klasifikasi Analisa Sentimen Twitter pada Akun Resmi Pemerintah Kota Surabaya Berbasis Pembelajaran Mesin. Prosiding Seminar Nasional Sistem Informasi Indonesia 2016.

Hermaduanti, N., & Kusumadewi, S. (2008). Sistem Pendukung Keputusan Berbasis Sms Untuk Menentukan Status Gizi Dengan Metode K- Nearest Neighbor. Seminar Nasional Aplikasi Teknologi Informasi ISSN 1907-5022.

Hidayat, andi nurul. (2015). Analisis Sentimen Terhadap Wacana Politik Pada Media Masa Online Menggunakan Algoritma Support Vector Machine Dan Naive Bayes. Jurnal Elektronik Sistim Informasi Dan Komputer (Jesik).

Indrayuni, E. (2016). Analisa Sentimen Review Hotel Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Evolusi Volume 4 Nomor 2 - 2016.

Ipmawati, J., Kusrini, & Taufiq Luthfi, E. (2017). Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen. In Indonesian Journal on Networking and Security (Vol. 6).

Kom, S., Dewi, E., Mulyani, S., Kom, S., & Nurhasanah, I. R. (2015). Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes. Konferensi Nasional Sistem Dan Informatika (KNS&I). https://doi.org/10.1007/s12237-007-9014-7

Krisandi, N., Prihandono, B., & Helmi. (2013). Algoritma K - Nearest Neighbor Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada PT. MINAMAS Kecamatan Parindu. Buletin Ilmiah Math.Stat.Dan Terapannya(Bimaster).

Oktasari, L., Chrisnanto, Y. H., & Yuniarti, R. (2016). Text Mining Dalam Analisis Sentimen Asuransi Menggunakan Metode Niave Bayes Classifier. Prosiding SNST.

Putri, W. S. R., Nurwati, N., & S., M. B. (2016). PENGARUH MEDIA SOSIAL TERHADAP PERILAKU REMAJA. Prosiding Penelitian Dan Pengabdian Kepada Masyarakat. https://doi.org/10.24198/jppm.v3i1.13625

Ruhyana, N. (2019). Analisis Sentimen Terhadap Penerapan Sistem Plat Nomor Ganjil / Genap Pada Twitter Dengan Metode Naive Bayes. 3(1), 94–99.

Suci, D., Yanti, A., & Adikara, P. P. (2019). Analisis Sentimen Tentang Kebijakan Ganjil Genap Kendaraan Bermotor di DKI Jakarta Pada Twitter Menggunakan BM25 dan K-Nearest Neighbor. 3(3), 2626–2631.

Utama, H. S., Rosiyadi, D., Prakoso, B. S., & Ariadarma, D. (2019). JURNAL RESTI Analisis Sentimen Sistem Ganjil Genap di Tol Bekasi Menggunakan. 1(10), 2–8.

Wahyudi, E. N. (2009). Algoritma Sederhana dalam Memahami Proses Pengurutan Data. Fakultas Teknologi Informasi, Universitas Stikubank Semarang.

Wahyuni, D. T., Sutojo, T., & Luthfiarta, A. (2004). Prediksi Hasil Pemilu Legislatif DKI Jakarta Menggunakan Naïve Bayes Dengan Algoritma Genetika Sebagai Fitur Seleksi. UDINUS.

Wasiati, H., & Wijayanti, D. (2014). Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes. Jurnal Ilmiah NERO.

Yuda Septian, N. (2009). Data Mining Menggunakan Algoritma Naïve Bayes Untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro. Jurnal Semantik 2013.

Published
2019-09-05
How to Cite
Utama, H., Rosiyadi, D., Aridarma, D., & Prakoso, B. (2019). SENTIMEN ANALISIS KEBIJAKAN GANJIL GENAP DI TOL BEKASI MENGGUNAKAN ALGORITMA NAIVE BAYES DENGAN OPTIMALISASI INFORMATION GAIN. Jurnal Pilar Nusa Mandiri, 15(2), 247-254. https://doi.org/10.33480/pilar.v15i2.705
Article Metrics

Abstract viewed = 78 times
PDF downloaded = 82 times

Most read articles by the same author(s)