487
ANALISIS SENTIMEN UNTUK MENGETAHUI KESAN PLAYER GAME MOBILE
LEGENDS MENGGUNAKAN NAÏVE BAYES CLASSIFIER
SENTIMENT ANALYSIS TO KNOW IMPRESSIONS PLAYER GAME MOBILE LEGENDS USING NAÏVE BAYES CLASSIFIER
1)Daurat Sinaga, 2) Cahaya Jatmoko
1,2)Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian Nuswantoro
Jl. Imam Bonjol 207 Semarang 50131
Email: 1[email protected], 2[email protected]
ABSTRAK
Youtube sebagai media promosi melalui update yang dilakukan oleh Mobile Legend, dan tentu saja berbagai youtuber turut serta melakukan review setiap update yang dilakukan oleh pihak developer. Salah satu youtuber @VY Gaming dengan video berjudul “Review Mobile Legend V2.0 + Link Download! Tampilan Keren! Lebih Smooth! Lebih Kenceng! Anti Lag!” menunjukkan apa saja yang menarik pada game mobile legend. Banyak viewers yang berkomentar bahwa update yang dilakukan Mobile Legend tidak perlu dilakukan, bahkan sebagian sependapat dengan youtuber tersebut. Data mining dapat digunakan untuk mengolah data komentar dengan tujuan mengklasifikasi komentar user game mobile legend. Dalam penelitian ini di pilih Naive Bayes Classification sebagai alat pemisah antar komentar yang telah diutarakan oleh user. Proses crawling data menggunakan netlytic, diperoleh 2500 sentimen, dengan 400 data diantara digunakan sebagai data uji. Proses perbaikan kata tidak baku pada komentar dilakukan dengan teknik normalisasi. Setelah proses normalisasi, dilakukan proses case folding, tokenizing, stemming dan filtering. Hasil akurasi pengukuran probabilitas komentar user, diperoleh akurasi sebesar 80%, presisi sebesar 76% dan recall sebesar 90,4 %. Kata Kunci : Game mobile legend, komentar, klasifikasi, Naïve Bayes, data mining.
ABSTRACT
Youtube as a promotional medium through updates made by Mobile Legend, and of course various YouTubers are also participating in reviewing every update made by the developer. One of the YouTubers @VY Gaming with a video entitled “Review Mobile Legend V2.0 + Link Download! Tampilan Keren! Lebih Smooth! Lebih Kenceng! Anti Lag!” show what is interesting in the legend mobile game. Many viewers commented that the update made by Mobile Legend doesn't need to be done, even some agree with the YouTuber. Data mining can be used to process comment data with the aim of classifying the legendary mobile game user comments. In this study, the Naive Bayes Classification was selected as a means of separating the comments that have been expressed by the user. The process of data crawling using netlytic, obtained 2500 sentiments, with 400 of them used as test data. The process of correcting non-standard words in comments is carried out using normalization techniques. After the normalization process, case folding, tokenizing, stemming and filtering are carried out. The results of the measurement accuracy of the user comment probability, obtained an accuracy of 80%, 76% precision and 90.4% recall.
Keywords : Mobile legend game, comment, classification, Naïve Bayes, data mining.
PENDAHULUAN
Game Online merupakan pengembangan suatu game yang memanfaatkan jaringan komputer di dunia modern ini. Tingginya peminat membuat developer suatu game selalu berinovasi dalam menarik minat player yang bermain di game tersebut. MOBA (Multiplayer Online Battle Arena) merupakan game dengan genre Real Time Strategy yang saat ini digandrungi player saat ini. MOBA sendiri cenderung dimainkan melalui PC (Personal Computer), namun seiring perkembangan zaman para developer mulai merambah di dunia gadget.
Game online dengan mudah mulai merambah di kalangan masyarakat menengah kebawah. Mobile Legends merupakan salah satu mobile gaming bergenre RTS (Real Time Strategy) pertama di Indonesia (Sidiq, Dermawan, & Umaidah, 2020). Spesifikasi yang dibutuhkan game ini juga cukup rendah, yaitu 2GB RAM dan internal 16GB pengguna dapat bermain walaupun dengan grafik minimalis. Pertumbuhan pengguna Mobile Legends pada tahun 2016, Mobile Legends dimainkan sebanyak 30 juta orang, sedangkan pada tahun
488
2018, mencapai 200 juta orang. Di playstore mencapai 100.000.000+ download, sedangkan pada App Store mencapai 292.441 download.
Jumlah tersebut membuat Mobile Legends selalu menduduki peringkat pertama di playstore. Memiliki desain minimalis serta easy learning, menjadi alasan kenapa Mobile Legend diminati di masyarakat Indonesia. Developer game juga selalu mengembangkan permainan dari segi grafis, kualitas permainan, serta pengembangan lainnya. Dengan jumlah pemain tersebut, developer selalu mempertimbangkan pengembangan dari segi kualitas permainan. MOONTON selaku developer selalu bekerja dengan optimal guna memberikan kenyamanan yang sesuai dengan pemain. Mobile Legend memberikan tampilan UI (user interface) yang berbeda, tetapi masih dapat digunakan bermain walaupun berbeda versi. Sebagian user dapat menggunakan tampilan yang terbaru, namun ada beberapa yang tidak (Chan, Fachrizal, & Lubis, 2019). Youtube sebagai media platform untuk menyimpan, serta mengunggah pengalaman berupa video ke dunia, sedangkan user atau pemilik akun yang mengunggah video nya sendiri disebut Youtuber. Banyak youtuber sudah melakukan review dengan update yang dilakukan MOONTON dari segi gameplay, costume, sinyal (ping) saat bermain, serta tampilan yang berubah.
Dari video review milik seorang youtuber @VY Gaming dengan judul “Review Mobile Legend V2.0 + Link Download! Tampilan Keren! Lebih Smooth! Lebih Kenceng! Anti Lag!” (Gaming, 2019), banyak player yang tidak merasakan hal yang sama ketika sudah melakukan update tersebut . Mereka mengeluhkan seperti tampilan yang sama saja (tidak berubah setelah di update), bug, keamanan (karena belum resmi), sinyal masih tidak stabil di beberapa provider dan di beberapa device bahkan tidak dapat dimainkan (Ardianto, Rivanie, Alkhalifi, Nugraha, & Gata, 2020). Namun dari banyaknya keluhan dari player, masih ada ulasan positif tentang update yang dilakukan developer (Al Mawalia, 2020). Dengan banyaknya komentar tersebut, penulis menggunakan data mining sebagai salah satu cara untuk mengolah data komentar tersebut agar mendapatkan suatu informasi yang bermanfaat nantinya, sehingga developer dapat meningkatkan kualitas serta kuantitas game yang dibuatnya. Algoritma klasifikasi digunakan sebagai “alat pemisah” diantara komentar yang diutarakan oleh user. Naïve Bayes sendiri merupakan metode alternatif yang mampu menyesuaikan dalam model classifier probabilitas.
Penulis menggunakan Naive Bayes Classifier karena memiliki kelebihan yang mudah diimplementasikan (Chandani, Wahono, & Purwanto, 2015) dan memberikan hasil yang akurat untuk banyak kasus dalam penelitian. Salah satu penelitian yang dilakukan oleh Pranada Antinasari pada tahun 2017 mengenai Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku yang memiliki tingkat akurasi mencapai 98% (Antinasari, Perdana, & Fauzi, 2017). Hasil tersebut di dapat peneliti dengan melakukan penambahan normalisasi Levenshtein Distance sehingga memberikan pengaruh akurasi yang lebih ketimbang hanya menggunakan kamus kata baku saja sebesar 91.67%.
METODE
Naïve Bayes Classifier
Naive Bayes Classifier (NBC) merupakan salah satu algoritma yang digunakan dalam klasifikasi data mining. Klasifikasi sendiri merupakan penentuan sebuah record data baru ke salah satu dari beberapa kategori (atau kelas) yang telah didefinisikan. Dan pada Naïve Bayes Classifier ialah mengadopsi teorema Bayesian. Bayes merupakan teknik prediksi berbasis probabilitas sederhana yang berdasar pada penerapan teorema bayes dengan asumsi independensi (ketidaktergantungan yang kuat (naif) (Liu, Blasch, Chen, Shen, & Chen, 2013) sesuai persamaan (1).
P(Cj |Wi) =P(Wi |Cj)P (Cj)P (Wi) (1)
Dimana P(Cj|Wi) adalah peluang kategori j ketika terdapat kemunculan kata I, P(Wi|Cj) adalah peluang kata i masuk ke dalam kategori j, P(Cj) adalah peluang kemunculan kategori j, P(Wi) adalah peluang kemunculan kata. Terdapat banyak cara untuk menghitung P(Wi|Cj), cara paling sederhananya sesuai persamaan (2). Dimana Nic adalah jumlah dokumen latih dengan fitur atribut Wi dengan kategori Cj, Nc adalah jumlah dokumen dari kategori C, V adalah jumlah kategori. Pada proses testing dalam algoritma NBC menggunakan persamaan (3).
489 P(Cj|Wi) = Nic+1
Nc+|V| (2)
P(d) = P (C) ∏ni=1P(Wi|C) (3)
Metode Pengujian Algoritma
Confusion matrix merupakan metode yang menggunakan tabel matriks seperti pada Tabel 1, jika data set hanya terdiri dari dua kelas, kelas yang satu dianggap sebagai positif dan yang lainnya negatif (Dhande & Patnaik, 2014)
Tabel 1. Model Confusion Matrix Nilai Prediksi Klasifikasi Nilai Sebenarnya
True False
TRUE TP FP
FALSE FN TN
TP (True Positive) adalah jumlah prediksi yang benar dari data yang rusak, FP (False Positive) adalah jumlah prediksi yang salah dari data yang tidak rusak, FN (False Negative) adalah jumlah prediksi yang salah dari data yang rusak, TN (True Negative) adalah jumlah prediksi yang benar dari data yang tidak rusak. Pengukuran akurasi menggunakan Confusion Matrix bertujuan untuk menganalisa kinerja algoritma dalam melakukan klasifikasi untuk mendeteksi kerusakan. Akurasi sendiri merupakan jumlah dari prediksi yang benar, presisi adalah jumlah akurasi dari suatu kelas tertentu yang telah diprediksi, recall merupakan nilai dari data dengan nilai positif dan prediksinya juga positif sesuai persamaan (4), (5) dan (6).
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = TP+TN TP+TN+FP+FNx 100%. (4) 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = TP FP+TPx100%. (5) 𝑅𝑒𝑐𝑎𝑙𝑙 = TP FN+TPx 100% (6
Teknik Pengumpulan Data
Proses crawling sendiri diambil melalui www.netlytic.org yang dapat diakses oleh semua user. Untuk mengakses, kita dapat login terlebih dahulu dengan akun google atau yahoo. Kemudian setelah masuk pilih menu New Dataset. Di dalam web ini terdapat banyak Sosial Media terkenal untuk dipilih sebagai sumber data seperti Twitter, Instagram, Youtube dan lainnya. Pengambilan data melalui Youtube cukup mudah daripada yang lainnya, karena tidak perlu melakukan login ke akun Youtube kita, sehingga kita hanya perlu melakukan copy paste link video yang ingin kita ambil komentarnya. Setelah itu muncul data yang diinginkan jika ingin menyimpan data yang sudah ada maka tinggal memilih opsi Export All Data To CSV maka dengan otomatis data akan tersimpang dengan format CSV yang dapat dibuka dengan menggunakan Ms.Excel. Dari 1 video review milik youtuber @VY Gaming penulis mendapatkan data komentar sebanyak 2501 komentar yang selanjutnya akan diseleksi menjadi 800 data training dengan komposisi 400 data positif dan 400 data negatif. Nantinya terdapat dua tipe data yaitu data sekunder dan data primer. Kemudian secara sederhananya akan ada data sekunder data mentah yang belum sama sekali disentuh dan data primer yang siap untuk diproses. Setelah mendapatkan data primer, maka data akan dibagi menjadi dua, yaitu data training dan data testing seperti pada Gambar 1.
1.
Data Training, data yang sudah mempunyai label dan akan digunakan sebagai
pembelajaran mesin untuk mengenali pola sehingga dapat digunakan untuk
mengidentifikasi kategori pada data testing.
2.
Data Testing, data dimana data tersebut belum memiliki label dan digunakan sebagai uji
coba untuk mengetahui kategori data tersebut berdasarkan data training
3.
Cleaning Data, saat melakukan pengumpulan data, biasanya terdapat data-data yang tidak
dibutuhkan. Dalam hal ini proses cleaning data dilakukan untuk menghapus record data
490
atau memilih data yang diperlukan dan juga data yang tidak diperlukan. Hasil dari
crawling data berupa file dengan format .CSV, oleh karena itu proses cleaning data
dilakukan secara manual menggunakan Microsoft Excel.
a. Pengumpulan Data b. Crawling Data c. Data CSV Gambar 1. Alur Pengumpulan Data
Preprosesing Teks
Untuk proses ini, data yang sudah di crawling kemudian dilakukan proses cleansing data dan penghapusan atribut yang tidak perlu, data yang tidak bisa digunakan perlu adanya preprocessing yang meliputi golongan teks dan feature selection. Proses ini berguna untuk mempermudah proses berikutnya. Pada tahapan case folding, teks dilakukan proses perubahan dari huruf besar menjadi huruf kecil dan menghilangkan seluruh tanda baca pada kalimat. Pada tahapan tokenizing, setiap kata akan dipisahkan berdasarkan spasi yang ditemukan. Pada tahapan stemming, yaitu pengubahan kata berimbuhan menjadi kata dasar. Pada tahapan filtering, yaitu pembuangan kata-kata tidak penting dari hasil token.
Metode Yang Diusulkan
Penelitian ini menggunakan Metode Klasifikasi dengan Algoritma Naïve Bayes Classifier (NBC). FlowCart pada Gambar 2 menerangkan bagaimana proses data yang dikumpulkan sebelumnya dan menggunakan metode Naïve Bayes Classifier. Langkah pertama yaitu memasukkan data kemudian mengolah data mentah dengan proses Pre-processing : Case Folding, Tokenizing, Stemming dan Filtering agar dapat diproses. Pembobotan TF adalah data yang sudah dihasilkan proses sebelumnya kemudian dibuat tabel untuk memberikan label pada kata yang akan diproses nantinya. Kata yang sudah digolongkan atau mempunyai bobot bisa untuk dilakukan perhitungan dengan Naïve Bayes Classifier. Langkah terakhir yaitu menghitung Confusion Matrix digunakan untuk mengetahui akurasi yang dihasilkan algoritma Naïve Bayes.
491 HASIL DAN PEMBAHASAN
Berikut adalah cuplikan 40 data uji dari 400 data uji yang telah di pilih seperti terlihat pada Tabel 2.. Tabel 2. Cuplikan Data Uji berupa Komentar User
No Komentar Prediksi Fakta
1 ada yang bilang biasa tapi menurut gua sudah bagus mah ini ketimbang yang
dulu Positif Positif
2 akhir dari 8bit menjadi hd Negatif Positif
3 aku sudah download dan berhasil Positif Positif
4 mantap betul bang udah nggak lag lagi sekarang kalo main Positif Positif 5 bagus dan tampilan ganti ke s1 lagi ternyata Positif Positif 6 udah bagus tapi masih kurang greget ini nanggung banget yang di update Positif Positif 7 lumayanlah walaupun nambah grafik doang Positif Positif 8 keren bang tampilannya saya sudah download linknya dideskripsi video Positif Positif
9 sudah di update malah ringan kek gini Positif Positif
10 bantu naikin biar ada update 2.0 lagi lebih ringan soalnya nggak patah Positif Positif 11 biasa aja sih menurut gue nggak jauh beda penampilannya season 1 2 3 cuma
bedanya dipeta aja Negatif Positif
12 bukan main ini kerennya anjing Positif Positif
13 udah bisa bang hari ini aku coba download lagi karena penasaran ternyata udah
bisa download makasih bang Negatif Positif
14 cocok banget buat update kalo ini Positif Positif
15 cukup lumayan moonton bisa kek gini Positif Positif
16 desainnya simpel banget dah Positif Positif
17 udah bagus tinggal nambah sinyal aja Negatif Positif
18 mantul nggak nyangka bakal bagus macam ini lanjutkan moonton Positif Positif 19 gua sih aman aja malah sekarang jadi ga lag sama sekali Negatif Positif 20 udah bagus ini tinggal benerin sinyal doang Positif Positif 21 makasih bang gue udah bisa pake ml v2.0 nya enak banget cocok buat hp seperti
realme Negatif Positif
22 temen aku bisa padahal hp nya sama lho Positif Positif 23 sip bagus tinggal perbaikan sinyal ini Positif Positif 24 kok gue maen lancar juga aneh banget yang nggak lancar Positif Positif 25 nge lag nya sekarang mendinglah daripada versi kemaren Negatif Positif 26 gue heran sih pertamanya tiba hp gue kok bisa nge frame parah setelah versi ini
keluar dan mungkin mlbb yang original bisa ketimpang karena versi ini Negatif Negatif 27
lebih tepatnya ping jumping naik turun dan patah patah setiap dalam permainan yang paling bikin orang orang kesal itu setiap gunakan skill pasti delay
dikarenakan ping naik turun dengan drastis Negatif Negatif 28
saling ingatkan saja kalo sudah yang instal suruh uninstall supaya bug ini cepat diperbaiki lagian herannya bukan asli dari pihak moonton mobilelegend tapi pada
instal itu file Negatif Negatif
29 ini keluhannya pada jaringannya bagus tapi game setelah beberapa menit tiba
ping nya 280ms dan itu lagnya nunggu 15detik kah Negatif Negatif 30 bener bro gue sering crash pas mau main dan sering menghubungkan kembali
dalam pertandingan Negatif Negatif
31 iya makanya saya bisa bedain sebelum ganti season aman aman aja kok sebelum
492
No Komentar Prediksi Fakta
32 iya bro makanya beberapa hari ini gue sering banget lag sinyal cepat banget kelap
kelip warna warni habis hijau 50mb tiba 200mb ganti gitu terus sinyalnya Negatif Negatif 33 versi cepta katnya 160% lebih cepat taunya lebih parah jadi belum niat mau ke
v2.0 Negatif Negatif
34 bang cara mengembalikan ke model awal gimana yang lain tampilannya sudah
baxia saya masih masha mohon bantuannya bang makasih Negatif Negatif 35
sayangnya versi terbaru nggak bisa menemukan akun saya yang indonesia cara mengembalikan versi lama gimana yah bang punya aku sudah ml terbaru tapi aku
ingin yang versi lama saja Negatif Negatif
36
memang tetap dapat semua update dalam game kita tapi jelek gambarnya soalnya nggak bisa download hd yang hd cuma hero sama skin yang ada pas kita instal
2.0 Negatif Negatif
37
kemaren uninstal terus pas ngunduh di playstore gambar ganti baxia dan tampilan balik lama pas tak instal lagi yang 2.0 balik masha lagi 2.0 kaya apk mod yang
nggak resmi dari playstore Negatif Negatif
38 bang mau nanya kan aku sudah pasang ml versi 2.0 kok nggak ada efek suara
musiknya ada tapi efek suaranya nggak ada jawab Negatif Negatif 39 anti lag dari mana yang ada malah makin parah sinyal saya 4g ping 100 hebatlah
ml makin sesat Positif Negatif
40
saran yang belum pakai mlbb v2 alangkah baiknya baca dulu komennya ada yang terbaru infonya langsung download habis di download mengeluh budayakan membaca biar tidak menyesal di belakang saran ke 2 coba unistall game mlbb versi2.0 sama yang lama setelah itu minta ke temen yang belum versi2.0 setelah install ulang pasti yang muncul hero masha bukan baxia tunggu aja sampai updatenya 100% tunggu berapa menit atau jam pasti nanti heronya ganti baxia
boleh dicoba tidak dicoba juga tidak apa terima kasih semoga bermanfaat ya Positif Negatif
Berdasarkan Tabel 2, dari jumlah data yang telah diambil oleh penulis sebanyak 2.501 data, kemudian data tersebut akan diseleksi menjadi 400 data latih dengan komposisi 133 data latih positif dan 267 data latih negatif. Setelah data sudah di seleksi, tahapan berikutnya yaitu melakukan pelabelan secara manual kedalam kelas positif dan negatif berdasarkan viewer yang telah melakukan update. Pelabelan dilakukan agar mempermudah pada saat melalui tahapan prepsocessing, data akan diperbaiki terlebih dahulu dengan cara mengkonversi komentar yang mengandung singkatan seperti kata “yg”,”dgn”,”spt”, maupun slangword seperti kata “lanjutkannn”. Hal ini dilakukan agar akurasi yang dihasilkan oleh system bisa menjadi lebih tinggi karena hal di atas dapat mempengaruhi akurasi nantinya. Berikut adalah grafik yang menunjukkan seberapa banyak data yang mengandung singkatan, slangword dan bahasa asing seperti pada Gambar 3.
Data Positif Data Negatif
Gambar 3. Perbaikan data positif dan negatif
Berdasarkan Gambar 3, data yang telah kita kumpulkan kemudian kita olah dengan menggunakan klasifikasi secara manual menggunakan Ms. Excel. Yang perlu diketahui bahwa setiap data berupa kalimat yang sudah diklasifikasikan berdasarkan grafik yang ditampilkan di atas, diketahui bahwa pada kelas positif terdapat 97 (8%) kata mengandung Slangword, 57 (14%) mengandung kata Bahasa Inggris dan 534 (78%)
78% 14% 8%
Data Positif
Kata Baku Slang Bahasa Inggris 67% 15% 18%Data Negatif
Kata Baku Bahasa Inggris Slang493
sudah menggunakan kata baku. Sedangkan pada kelas Negatif terdapat 600 (18%) kata mengandung Slangword, 524 (17%) mengandung kosa kata Bahasa Inggris dan 2249 (67%) menggunakan kata baku. Dari data uji yang sudah diklasifikasikan termasuk komentar yang telah di preprocessing. Tabel 3 diatas juga menjelaskan mengenai prediksi dan fakta dengan penjelasan bahwa fakta adalah hasil yang sesungguhnya atau hasil yang telah kita labeli sedangkan prediksi adalah yang dihasilkan oleh sistem. Berdasarkan hasil Klasifikasi maka didapatkan TP = 190, FP = 60, FN = 20, TN = 130 yang berarti bahwa dari keseluruhan komentar yang berjumlah 400, terdiri dari 250 komentar positif dan 150 negatif, sistem salah menebak atau memprediksi sebanyak lima komentar dari komentar positif dan lima komentar dari komentar negatif.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 190 + 130 190 + 130 + 60 + 20𝑥 100% = 80% 𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 190 60 + 190𝑥 100% = 76% 𝑅𝑒𝑐𝑎𝑙𝑙 = 190 20 + 190𝑥 100% = 90,4% KESIMPULAN
Berdasarkan penelitian yang telah dilakukan, data yang berasal dari Youtube dengan komentar yang ada di video yang berjudul “Review Mobile Legend V2.0 + Link Download! Tampilan Keren! Lebih Smooth! Lebih Kenceng! Anti Lag!” yang telah diklasifikasikan menggunakan metode Naïve Bayes Classifier (NBC), dari data komentar/opini youtube yang sudah di kumpulkan dan dilakukan pengimplementasian dengan metode klasifikasi yang menggunakan algoritma Naive Bayes Classifier maka menghasilkan data paling banyak yaitu data komentar/opini negatif. Setelah melakukan Pengujian algoritma Naive Bayes Classier dengan meggunakan Confusion Matrix maka di hasilkan akurasi sebesar 80%. Hal ini membuktikan bahwa analisis sentiment dengan data yang berasal dari Youtube menggunakan metode Naïve Bayes Classifier sebagai metode klasifikasinya dan library sastrawi sebagai library preprocessing-nya menghasilkan akurasi yang cukup bagus. Pada penelitian selanjutnya, diharapkan untuk memakai setidaknya dua metode atau lebih yang berguna sebagai pembanding metode manakah yang lebih baik dan akurat untuk melakukan proses analisis sentiment.
DAFTAR PUSTAKA
Al Mawalia, K. (2020). The impact of the Mobile Legend game in creating virtual reality. Indonesian Journal of Social Sciences, 49-61.
Antinasari, P., Perdana, R., & Fauzi, M. (2017). 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, 1733-1741.
Ardianto, R., Rivanie, T., Alkhalifi, Y., Nugraha, i., & Gata, W. (2020). SENTIMENT ANALYSIS ON E-SPORTS FOR EDUCATION CURRICULUM USING NAIVE BAYES AND SUPPORT VECTOR MACHINE. Jurnal Ilmu Komputer dan Komunikasi, 109-122.
Chan, A., Fachrizal, F., & Lubis, A. (2019). Outcome Prediction Using Naïve Bayes Algorithm in The Selection of Role Hero Mobile Legend. 4th International Conference on Computing and Applied Informatics 2019 (ICCAI 2019) (pp. 1-6). Medan: IOP.
Chandani, V., Wahono, R., & Purwanto, P. (2015). Komparasi Algoritma Klasifikasi Machine Learning dan Feature Selection pada Analisis Sentimen Review Film. Journal of Intelligent Systems, 56-60.
Dhande, L., & Patnaik, G. (2014). Analyzing Sentiment of Movie Review Data using Naive Bayes Neural Classifier. International Journal of Emerging Trends & Technology in Computer Science (IJETTCS), 313-340.
Gaming, V. (2019, September 24). https://www.youtube.com/watch?reload=9&v=C10BcHcJbio. Retrieved April 20, 2020, from REVIEW MOBILE LEGENDS V 2.0 + LINK DOWNLOAD! TAMPILAN KEREN! LEBIH SMOOTH! LEBIH KENCENG! ANTI LAG!
494
Liu, B., Blasch, E., Chen, Y., Shen, D., & Chen, G. (2013). Scalable sentiment classification for Big Data analysis using Naïve Bayes Classifier. IEEE International Conference on Big Data (pp. 99-104). Silicon Valley: IEEE.
Sidiq, R., Dermawan, B., & Umaidah, Y. (2020). Sentimen Analisis Komentar Toxic pada Grup Facebook Game Online Menggunakan Klasifikasi Naïve Bayes. Jurnal Informatika Universitas Pamulang, 356-363).
