ANALISIS SENTIMEN MASYARAKAT TERHADAP PROGRAM MAKAN SIANG GRATIS PADA MEDIA SOSIAL X MENGGUNAKAN ALGORITMA NAÏVE BAYES
DOI:
https://doi.org/10.23960/jitet.v12i3.4902Abstract Views: 5713 File Views: 4221
Abstract
Dalam era digital, media sosial seperti X, Facebook, dan Instagram telah menjadi bagian penting dari kehidupan modern, memungkinkan individu untuk berbagi pandangan dan opini dengan cepat. Salah satu topik hangat di X adalah program makan siang gratis dari pasangan calon presiden nomor urut 02, yang bertujuan meningkatkan gizi anak dan ibu hamil, mencakup 82,9 juta orang. Program ini memicu beragam tanggapan masyarakat. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap program tersebut menggunakan algoritma Naïve Bayes dan metode Knowledge Discovery in Database (KDD). Data dikumpulkan melalui crawling pada media sosial X, menghasilkan 2.211 tweet yang kemudian diseleksi dan diberi label sentimen positif dan negatif. Algoritma Naïve Bayes diuji dengan tiga skenario pembagian data training dan testing, dan dievaluasi menggunakan confusion matrix. Hasil evaluasi menunjukkan model mencapai hasil terbaik pada rasio data 60:40 dengan akurasi 72,2%, presisi 63,2%, recall 66,1%, dan F1-Score 64%.
Keywords:
Naïve Bayes, KDD, Makan Siang Gratis, X, Sentimen.
Downloads
References
R. Ferdiana, F. Jatmiko, D. D. Purwanti, A. S. T. Ayu, and W. F. Dicka, “Dataset Indonesia untuk Analisis Sentimen,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 8, no. 4, p. 334, 2019, doi: 10.22146/jnteti.v8i4.533.
S. Suprianto, “Perbandingan Metode Naïve Bayes Classifier Dan Holistic Lexicon Based Dalam Analisis Sentimen Angket Mahasiswa,” JSI J. Sist. Inf., vol. 11, no. 2, 2019, doi: 10.36706/jsi.v11i2.9140.
H. Z. Muflih, A. R. Abdillah, and F. N. Hasan, “Analisis Sentimen Ulasan Pengguna Aplikasi Ajaib Menggunakan Metode Naïve Bayes,” vol. 4, no. 3, pp. 1613–1621, 2023, doi: 10.30865/klik.v4i3.1303.
R. Yunita and M. Kamayani, “Perbandingan Algoritma SVM Dan Naïve Bayes Pada Analisis Sentimen Kebijakan Penghapusan Kewajiban Skripsi,” vol. 12, no. 1, pp. 2879–2890, 2023.
A. S. Rahayu and A. Fauzi, “Komparasi Algoritma Naïve Bayes Dan Support Vector Machine ( SVM ) Pada Analisis Sentimen Spotify,” vol. 4, pp. 349–354, 2022, doi: 10.30865/json.v4i2.5398.
M. Yasir and R. Suraji, “PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES , DECISION TREE , RANDOM FOREST TERHADAP ANALISIS SENTIMEN KENAIKAN BIAYA HAJI 2023 PADA MEDIA SOSIAL YOUTUBE,” 2023.
C. F. Hasri and D. Alita, “PENERAPAN METODE NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE PADA ANALISIS SENTIMEN TERHADAP DAMPAK VIRUS CORONA DI TWITTER,” vol. 3, no. 2, pp. 145–160, 2022.
M. Syarifuddin, “ANALISIS SENTIMEN OPINI PUBLIK MENGENAI COVID-19 PADA TWITTER MENGGUNAKAN METODE NAÏVE BAYES DAN KNN,” vol. 15, no. 1, pp. 23–28, 2020.
P. Arsi and R. Waluyo, “ANALISIS SENTIMEN WACANA PEMINDAHAN IBU KOTA INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) SENTIMENT ANALYSIS ON THE DISCUSSION OF RELOCATING I NDONESIA ’ S CAPITAL CITY USING THE SUPPORT VECTOR MACHINE ( SVM ),” vol. 8, no. 1, pp. 147–156, 2021, doi: 10.25126/jtiik.202183944.
W. Gafatia, Desta and N. Hadinata, “Analisis Pro Kontra Vaksin Covid 19 Menggunakan Sentiment Analysis Sumber Media Sosial Twitter,” vol. 2, no. 1, pp. 34–42, 2021.
M. Rifqi, “Content Analysis on Twitter Users Interaction within First 100 Days of Jakarta ’ s New Government by Using Text Mining Analisis Konten Interaksi Pengguna Twitter pada Masa 100 Hari Pertama Pemerintahan Baru DKI Jakarta Menggunakan Text Mining Content Anal,” no. October 2018, 2019, doi: 10.30818/jpkm.2018.2030203.
C. J. E. Munthe, N. A. Hasibuan, and H. Hutabarat, “Penerapan Algoritma Text Mining Dan TF-RF Dalam Menentukan Promo Produk Pada Marketplace,” vol. 2, no. 3, pp. 110–115, 2022.
N. Silalahi and G. Ginting, Leonarde, “Rekomendasi Berita Berkaitan dengan Menerapkan Algoritma Text Mining dan TF-IDF,” vol. 3, no. 4, pp. 276–282, 2023, doi: 10.47065/bulletincsr.v3i4.266.
J. Wandana, S. Defit, and S. Sumijan, “Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means,” J. Inf. dan Teknol., vol. 2, pp. 4–9, 2020, doi: 10.37034/jidt.v2i4.73.
S. Chohan, A. Nugroho, A. Maezar, B. Aji, and W. Gata, “Analisis Sentimen Aplikasi Duolingo Menggunakan Metode Naïve Bayes dan Synthetic Minority Over Sampling Technique,” vol. 22, no. 2, 2020.
M. I. Ghozali, W. H. Sugiharto, and A. F. Iskandar, “Analisis Sentimen Pinjaman Online Di Media Sosial Twitter Menggunakan Metode Naive Bayes,” vol. 3, no. 6, pp. 1340–1348, 2023, doi: 10.30865/klik.v3i6.936.
M. H. Mahendra, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Tweet COVID-19 Menggunakan Metode K-Nearest Neighbors dengan Ekstraksi Fitur TF-IDF dan CountVectorizer Dike : Jurnal Ilmu Multidisiplin,” vol. 1, pp. 37–43, 2023.
B. Ghojogh et al., “Feature Selection and Feature Extraction in Pattern Analysis: A Literature Review”.
Sulindawaty, E. Laia, and M. Yamin, “Penerapan Algoritma Naïve Bayes dalam Menganalisis Sentimen pada Review Pengguna E-Commerce,” vol. 4, no. 1, pp. 305–316, 2023, doi: 10.30865/klik.v4i1.1186.
R. Syahputra, G. J. Yanris, and D. Irmayani, “SVM and Naïve Bayes Algorithm Comparison for User Sentiment Analysis on Twitter,” vol. 6, no. 2, pp. 671–678, 2022.
M. Hidayatullah, S. Alam, and I. Jaelani, “Sentiment Analysis of Police Performance On Twitter Users Using Naïve Bayes Method,” RISTEC Res. Inf. Syst. Technol., vol. 2, no. 2, pp. 86–97, 2021, doi: 10.31980/ristec.v2i2.1945.
M. Luthfi Bangun Permadi and R. Gumilang, “Penerapan Algoritma CNN (Convolutional Neural Network) Untuk Deteksi Dan Klasifikasi Target Militer Berdasarkan Citra Satelit,” J. Sos. Teknol., vol. 4, no. 2, pp. 134–143, 2024, doi: 10.59188/jurnalsostech.v4i2.1138.
P. S. Zakaria, R. Julianto, and R. S. Bernada, “Implementasi Naive Bayes Menggunakan Python dalam Klasifikasi Data,” BIIKMA Bul. Ilm. Ilmu Komput. dan Multimed., vol. 1, no. 2, pp. 126–131, 2023.
N. Cahyono and Dewi Setiyawati, “Analisis Sentimen Pengguna Sosial Media Twitter Terhadap Perokok Di Indonesia,” Indones. J. Comput. Sci., vol. 12, no. 1, pp. 262–272, 2023, doi: 10.33022/ijcs.v12i1.3154.
S. Junaidi, M. Devegi, and H. Kurniawan, “Pelatihan Pengolahan dan Visualisasi Data Penduduk menggunakan Python,” ADMA J. Pengabdi. dan Pemberdaya. Masy., vol. 4, no. 1, pp. 151–162, 2023, doi: 10.30812/adma.v4i1.2963.
R. Syahrial, T. Sukmawati, and E. N. Dewi, “Face Mask Detection Menggunakan Python Dan Opencv Untuk Mendeteksi Pelanggaran Protokol Kesehatan Covid-19,” JEIS J. Elektro dan Inform. Swadharma, vol. 3, no. 1, pp. 77–86, 2023, doi: 10.56486/jeis.vol3no1.304.
Rangga Gelar Guntara, “Pelatihan Sains Data Bagi Pelaku UMKM di Kota Tasikmalaya Menggunakan Google Colab,” Joong-Ki J. Pengabdi. Masy., vol. 2, no. 2, pp. 245–251, 2023, doi: 10.56799/joongki.v2i2.1572.
M. Arkan et al., “Webinar & Workshop Peran Artificial Intelligence Dalam Analisis Big Data Untuk Mendukung Sektor Bisnis E-Commerce,” J. Pengabdi. Kolaborasi dan Inov. IPTEKS, vol. 2, no. 1, pp. 228–236, 2024, doi: 10.59407/jpki2.v2i1.490.
W. Saefudin, A. Komarudin, and R. Ilyas, “Visualisasi Kumpulan Berita Dalam Bentuk Peta Digital Dengan Metode Term Frequency-Inverse Document Frequency dan Gazetteer,” Semin. Nas. Sains dan Teknol. Inf., vol. 2, no. 1, pp. 665–670, 2019.
M. Akmal Hakim, P. Gunawan, R. Pratama, and F. Kurniawam, “Implementasi Algoritma K-Nearest Neighbors untuk Menganalisis Pendapat Pakar AI tentang Kemajuan Kecerdasan Buatan,” J. Comput. Inf. Syst. Ampera, vol. 5, no. 2, pp. 2775–2496, 2024, [Online]. Available: https://journal-computing.org/index.php/journal-cisa/index
