ANALISIS SENTIMEN TERHADAP PELAYANAN KRL COMMUTERLINE BERDASARKAN DATA TWITTER MENGGUNAKAN ALGORTIMA BERNOULLI NAIVE BAYES
Fakultas Teknologi Industri, Universitas Gunadarma
Indonesia
Fakultas Teknologi Industri, Universitas Gunadarma
Indonesia
Abstract
Sektor pelayanan publik merupakan sektor strategis sebagai indikasi tata kelola pemerintahan yang baik. KRL Commuterline merupakan salah satu sektor pelayanan publik pada bidang transportasi yang banyak digunakan oleh masyarakat. Media sosial khususnya Twitter merupakan wadah masyarakat untuk berinteraksi, berbagi informasi bahkan mengemukakan opini mereka terhadap pelayanan KRL. Opini masyarakat terhadap pelayanan KRL Commuterline dapat dijadikan sebagai evaluasi dalam peningkatan kualitas layanan. Pada penelitian ini dilakukan analisis sentimen masyarakat terhadap pelayanan KRL Commuterline berdasarkan data yang diperoleh dari Twitter. Analisis sentimen ini bertujuan untuk mengklasifikasikan tweets mengenai pelayanan KRL Commuterline ke dalam sentimen positif dan negatif dengan pendekatan machine learning menggunakan algoritma Bernoulli Naive Bayes. Data latih yang digunakan sebanyak 2.690 data dan data validasi sebanyak 1.626 data tweets. Pada proses pelatihan model diperoleh tingkat akurasi pelatihan sebesar 86,36% dan tingkat akurasi validasi sebesar 85,73%. Pengujian model dilakukan menggunakan 20 tweets baru dan diperoleh tingkat akurasi sebesar 85%.
Keywords
References
S. Gerintya, “MRT Diluncurkan, Seberapa Parah Kemacetan Jakarta?,” Tirto.id, 2019. [Daring]. Tersedia: https://tirto.id/mrt-diluncurkan-seberapa-parah-kemacetan-jakarta-dkqz. [Diakses: 10-Apr-2019].
D. R. Kawade dan K. S. Oza, "Sentiment Analysis: Machine Learning Approach," International Journal of Engineering and Technology (IJET), vol. 9, no. 3, hal. 2183 - 2186, 2017.
O. R. Llombart, "Using Machine Learning Techniques for Sentiment Analysis, " https://ddd.uab.cat/, 2017, [Daring]. Tersedia:https://ddd.uab.cat/pub/tfg/2017/tfg_70824/machine-learning-techniques.pdf. [Diakses: 26 April 2019].
B. Liu, "Sentiment Analysis and Opinion Mining, " https://www.cs.uic.edu/, 2012, [Daring]. Tersedia:https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.pdf. [Diakses: 24 April 2019].
A. D’Andrea, F. Ferri, P. Grifoni, dan T. Guzzo, “Approaches, Tools and Applications for Sentiment Analysis Implementation,” Int. J.Comput. Appl., vol. 125, no. 3, hal. 26–33, 2015.
Indriati dan A. Ridok, “Sentiment Analysis for Review Mobile Applications Using Neighbor Method Weighted K-nearest Neighbor,” J. Environ. Eng. Sustain. Technol., vol. 01, pp. 23–32, 2016.
Mushlihudin dan L. Zahrotun, “Perancangan Text Mining Pengelompokkan Penelitian Dosen Menggunakan Metode Shared Nearest Neighbor Dengan Euclidean Similarity,” S N A T I F, vol. 4, pp. 849–855, 2017.
R. I. Pristiyanti, M. A. Fauzi, and L. Muflikhah, “Sentiment Analysis Peringkasan Review Film Menggunakan Metode Information Gain dan K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, pp. 1179–1186, 2018.
P. Antinasari1, R. S. Perdana, dan M. A. Fauzi, "Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 12, hal. 1733-1741, 2017.
H. Tuhuteru dan A. Iriani, "Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier," Jurnal Pengembangan IT (JPIT), vol.03, no.03, hal. 394-401, 2018.
D. G. Nugroho, Y. H. Chrisnanto dan A. Wahana , "Analisis Sentimen Pada Jasa Ojek Online Menggunakan Metode Naive Bayes, " Dalam Prosiding Seminar Nasional Sains Dan Teknologi Ke-7 , 2016.
C. C. Aggarwal and C. X. Zhai, A Survey of Text Classification Algorithms. In: Aggarwal C., Zhai C. (eds) Mining Text Data.Boston, MA: Springer, 2012.
P. Tripathi, S. K. Vishwakarma, and A. Lala, “Sentiment Analysis of English Tweets Using RapidMiner,” 2015 Int. Conf. Comput.Intell. Commun. Networks, hal. 668–672, 2015.
S. K and D. R, “Designing a Machine Learning Based Software Risk Assessment Model Using Naive Bayes Algorithm,” TAGA J. Graph.Technol., vol. 14, pp. 3141–3147, 2018.
G. Qiang, "An Effective Algorithm For Improving The Performance Of Naive Bayes For Text Classification," Dalam 2010 Second International Conference on Computer Research and Development, 2010.
A. McCallum and K. Nigam, " A comparison of event models for Naive Bayes text classification," Dalam Proc. AAAI/ICML-98 Workshop on Learning for Text Categorization, 1998, hal. 41-48.
C. D. Manning, P. Raghavan dan H. Schütze, "Introduction to Information Retrieval," England : New Cambridge University Press, pp. 234-265, 2008.
F. Pedregosa et.al, "Scikit-learn: Machine Learning in Python ," Journal of Machine Learning Research, vol. 12, no.85, hal.2825−2830, 2011.
