ANALISIS SENTIMEN TERHADAP TWIT MAXIM PADA TWITTER MENGGUNAKAN R PROGRAMMING DAN K NEAREST NEIGHBORS

Muhamad Trian Diwandanu; Lulu Mawaddah Wisudawati

doi:10.35760/ik.2023.v28i1.7909

ANALISIS SENTIMEN TERHADAP TWIT MAXIM PADA TWITTER MENGGUNAKAN R PROGRAMMING DAN K NEAREST NEIGHBORS

Muhamad Trian Diwandanu
Universitas Gunadarma
Indonesia

Lulu Mawaddah Wisudawati
Universitas Gunadarma
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2023.v28i1.7909

Abstract

Usaha transportasi saat ini sudah banyak yang berbasis online dalam pelayanannya seperti pemesanan, pembayaran dan pemberian ulasan. Salah satu jasa transportasi online yang sudah ada di Indonesia yaitu Maxim. Masyarakat biasanya memberikan opini mereka terhadap layanan yang diberikan oleh Maxim melalui Twitter. Twit yang ditulis oleh masyarakat pengguna Twitter merupakan sumber data yang valid untuk dilakukan analisis sentimen. Tujuan penulisan ini adalah melakukan analisis sentimen terhadap twit maxim pada Twitter. Metode klasifikasi analisis sentimen pada penulisan ini menggunakan K Nearest Neighbors (KNN) untuk mengklasifikasi data serta Lexicon-Based sebagai penetap sentimen positif, negatif dan netral. Tahapan awal pada analisis sentimen ini yaitu tahap pengambilan data, pre-processing, yang terdiri dari Filtering & Casefolding, perbaikan kata tidak baku, mengubah kata bernegasi, Stopword Removal dan penghapusan spasi berlebih. Setelah itu, dilakukan pelabelan data dan pemberian skor menggunakan metode Lexicon Based. Dataset hasil dari pre-processing dan Lexicon Based digunakan untuk proses klasifikasi menggunakan KNN. Hasil terbaik didapatkan menggunakan data latih 80% sebanyak 702 data dan data uji 20% sebanyak 175 data dengan k=1 dengan akurasi sebesar 95,43%.

Keywords

K-Nearest Neighbors; Filtering; Case Folding; Maxim; R Programming; Analisis Sentimen

References

Ikram, M. Kumar and G. Munjal, "Twitter Sentiment Analysis using Machine Learning", 12th International Conference on Cloud Computing, Data Science & Engineering (Confluence), Noida, India, pp. 629-634, 2022. doi: 10.1109/Confluence52989.2022.9734154, 2022

Aryo Prakoso, B. Winantesa Yananta, A. Fitra Setyawan and Muljono, "A Lexicon-Based Sentiment Analysis for Amazon Web Review," International Seminar on Application for Technology of Information and Communication, Semarang, Indonesia,pp. 503-508, doi: 10.1109/ISEMANTIC.2018.8549812, 2018.

P. Giovani, Ardiansyah, Ardiansyah, T. Haryanti, L. Haryanti, & W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi”, Jurnal Teknoinfo, Vol. 14, Pages 115, No. 2, 2020. doi: 10.33365/jti.v14i2.679, 2020.

dwianto, & M. Sadikin, “Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine”, Jurnal Ilmiah Teknik Informatika, Vol. 10, Pages. 94, 2021. doi: 10.22441/format.2021.v10.i1.009, 2021.

F. V. Sari & A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi”, Jurnal SIMETRIS, Vol 10, No. 2, pp 681-686, 2019.

Sudira, A.L. Diar, & Y. Ruldeviyani, “Instagram Sentiment Analysis with Naive Bayes and KNN: Exploring Customer Satisfaction of Digital Payment Services in Indonesia”, International Workshop on Big Data and Information Security (IWBIS), pp. 21-26, 2019. doi: 10.1109/IWBIS.2019.8935700, 2019.

S. Mustaqbal, R. F. Firdaus, and H. Rahmadi, “Pengujian Aplikasi Menggunakan Black Box Testing Boundary Value Analysis (Studi Kasus : Aplikasi Prediksi Kelulusan SNMPTN)”, Jurnal Ilmiah Teknologi Informasi Terapan Vol 1, No 3, pp 31-36, 2015. doi:10.33197/jitter.vol1.iss3.2015.62. 2015

Furqan, Sriani, & S. M. Sari. “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia”, Jurnal Teknologi Informasi (Techno.COM), Vol 21, No.1, pp 52-61, 2022. doi: https://doi.org/10.33633/tc.v21i1.5446, 2022.

T. Akter, M. Begum and R. Mustafa, "Bengali Sentiment Analysis of E-commerce Product Reviews using K-Nearest Neighbors," International Conference on Information and Communication Technology for Sustainable Development (ICICT4SD), Dhaka, Bangladesh, pp. 40-44, doi: 10.1109/ICICT4SD50815.2021.9396910, 2021.

Yadav, O. Kudale, S. Gupta, A. Rao and A. Shitole, "Twitter Sentiment Analysis Using Machine Learning For Product Evaluation," International Conference on Inventive Computation Technologies (ICICT), Coimbatore, India, pp. 181-185, doi: 10.1109/ICICT48043.2020.9112381. 2020.

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, pp 646-654, 2020. doi: http://dx.doi.org/10.32493/informatika.v5i4.7622, 2020.

P. Fitrianti, A. Kurniawati, and D. Agusten, “Implementasi Algoritma K - Nearest Neighbor Terhadap Analisis Sentimen Review Restoran Dengan *Teks Bahasa Indonesia,” Seminar Nasional Aplikasi Teknolologi Informasi , pp. 27–32, 2019.

Andhale, P. Mane, M. Vaingankar, D. Karia and K. T. Talele, "Twitter Sentiment Analysis for COVID-19," International Conference on Communication information and Computing Technology (ICCICT), Mumbai, India, 2021, pp. 1-12, doi: 10.1109/ICCICT50803.2021.9509933. 2021.

Widowati, Tanthy & Sadikin, Mujiono, “Analisis Sentimen Twitter terhadap Tokoh Publik dengan Algoritma Naive Bayes dan Support Vector Machine, Simetris”, Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol 11, pp: 626-636, doi: 24176/simet.v11i2.4568, 2021.

Heriyanto, “Perancangan Sistem Informasi Rental Mobil Berbasis Web Pada Pt.Apm Rent Car”, Jurnal Intra Tech, Vol 2, No. 2, 2018.

N. Prasetya and D. Winarso, “Penerapan Lexicon Based Untuk Analisis Sentimen Pada Twiter Terhadap Isu Covid-19,” Jurnal Fasilkom, vol. 11, no. 2, pp. 97–103, 2021.