ANALISIS SENTIMEN OPINI PUBLIK MENGENAI SARANA DAN TRANSPORTASI MUDIK TAHUN 2019 PADA TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES, NEURAL NETWORK, KNN DAN SVM

  • Melisa Winda Pertiwi (1*) STMIK Nusa Mandiri

    • (*) Corresponding Author
Keywords: Accuracy, KNN, Naïve Bayes, Neural Network, Sentiment Analysis, Twitter, SVM

Abstract

Various moments are immortalized in social networking, one of them Twitter. Twitter is one of the social media that allows users to interact, share information, or even to express feelings and opinions as well as in expressing opinions about "Mudik". Every tweets not all contain the same value, therefore there needs to be a sentiment analysis and tweet classification that discusses about to know the amount of public sentiment to mudik year 2019. This will be a concern for “facilicies transportation for goinghome” next year. One of method used is classification method using k-NN, SVM, Naïve Bayes and Neural Network. The results of this study can be seen that positive sentiments appear more than the value of other sentiments for Mudik 2019, next time negative’s opinion appear more than positive Mudik 2019. and k-NN algorithm has a higher accuracy, it is accuracy=90.76 and AUC=0.939, SVM generated accuracy=89.03% and AUC=0.500, Naïve Bayes generated accuracy=78.16% and AUC=0.567 then Neural Network generated accuracy=52.73% and AUC=0.000.

Downloads

Download data is not yet available.

References

Aggarwal, C. C., & Zhai, C. X. (2013). Mining text data. Mining Text Data, 9781461432, 1–522. https://doi.org/10.1007/978-1-4614-3223-4

Fink, C. R., Chou, D. S., Kopecky, J. J., & Llorens, A. J. (2011). Coarse- and fine-grained sentiment analysis of social media text. Johns Hopkins APL Technical Digest (Applied Physics Laboratory), 30(1), 22–30.

Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies, 5(1), 1–167. https://doi.org/https://doi.org/10.2200/S00416ED1V01Y201204HLT016

Pertiwi, M. W. (2019). Laporan Akhir Penelitian. STMIK Nusa Mandiri.

Simpson, M. S., & Demner-Fushman, D. (2012). Biomedical Text Mining: A Survey of Recent Progress. (C. C. Aggarwal & C. Zhai, Eds.), Mining Text Data. New York: Springer. https://doi.org/10.1007/978-1-4614-3223-4

Twitter. (2019). Mudik. Retrieved from https://twitter.com/search?q=mudik&src=typd

Published
2019-07-14
How to Cite
Pertiwi, M. (2019). ANALISIS SENTIMEN OPINI PUBLIK MENGENAI SARANA DAN TRANSPORTASI MUDIK TAHUN 2019 PADA TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES, NEURAL NETWORK, KNN DAN SVM. INTI Nusa Mandiri, 14(1), 27-32. Retrieved from https://ejournal.nusamandiri.ac.id/index.php/inti/article/view/536
Article Metrics

Abstract viewed = 1730 times
PDF downloaded = 1508 times
Issue
Vol 14 No 1 (2019): INTI Periode Agustus 2019
Section
Articles
Copyright (c) 2019 Melisa Winda Pertiwi

Penulis yang menerbitkan jurnal ini menyetujui ketentuan berikut:

1. Penulis memegang hak cipta dan memberikan hak jurnal mengenai publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution 4.0 International License. yang memungkinkan orang lain untuk berbagi karya dengan pengakuan atas karya penulis dan publikasi awal pada jurnal.

2. Penulis dapat memasukkan pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan (misalnya, mengirimkannya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya pada Jurnal.

3. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, dalam penyimpanan institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat menghasilkan pertukaran yang produktif, serta kutipan dari karya yang diterbitkan sebelumnya.