Analisis Sentimen Pengguna Twitter Terhadap Kenaikan Harga Bahan Bakar Minyak (BBM) Menggunakan Metode Logistic Regression

(1)

Analisis Sentimen Pengguna Twitter Terhadap Kenaikan Harga Bahan Bakar Minyak (BBM) Menggunakan Metode Logistic

Regression

Muhammad Raja Nurhusen, Jamaludin Indra, Kiki Ahmad Baihaqi^* Fakultas Ilmu Komputer, Teknik Informatika, Universitas Buana Perjuangan, Karawang, Indonesia Email: ¹if19.muhammadnurhusen@mhs.ubpkarawang.ac.id,²jamaludin.indra@ubpkarawang.ac.id,

3,*kikiahmad@ubpkarawang.ac.id

Email Penulis Korespondensi: kikiahmad@ubpkarawang.ac.id

Abstrak−Di Indonesia sendiri, BBM merupakan bahan baku yang sangat penting bagi masyarakat, khususnya bagi sektor perindustrian. Kebijakan kenaikan harga BBM memicu kontroversi di media sosial, salah satunya Twitter. Setelah kenaikan harga BBM disahkan, setiap hari di Twitter dipenuhi cuitan dengan hastag (#bbmnaik). Pro dan kontra yang ada di tengah- tengah masyarakat tentang kenaikan harga BBM menjadi bahan penelitian yang menarik. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat apakah bersifat penolakan atau mendukung. Metode yang digunakan adalah Logistic Regression dengan dibantu Confusion Matrix untuk perhitungan evaluasi. Keunggulan dari metode ini dibandingkan dengan metode lainnya yaitu metode Logistic Regression sering digunakan untuk membuat sebuah model prediksi yang nilai hasilnya berbentuk ya/tidak, benar/salah, dengan demikian metode ini sangat cocok untuk penelitian ini. Data yang digunakan sebesar 3000 data dengan kata kunci (kenaikan harga bbm). Hasil analisis yang sudah dilakukan bahwa sentimen positif mendapatkan nilai akurasi sebesar 38% dan sentimen negatif sebesar 80%. Performa klasifikasi metode Logistic Regression memperoleh 73%. Hasil perhitungan evaluasi dengan Confusion Matrix menggunakan data testing sebanyak 600 data mendapatkan tingkat akurasi sebesar 77%, nilai presisi 95%, nilai recall 79%, dan nilai f1 score 86%. Maka dapat disimpulkan hasil dari analisis sentimen yang sudah dilakukan bahwa masyarakat lebih pro terhadap penolakan kenaikan harga BBM.

Kata Kunci: BBM; Klasifikasi; Logistic Regression; Confusion Matrix; Prediksi

Abstract−In Indonesia itself, fuel is a very important raw material for society, especially for the industrial sector. The fuel price hike policy sparked controversy on social media, one of which was Twitter. After the increase in fuel prices was passed, every day on Twitter was filled with tweets with the hashtag (#bbmnaik). The pros and cons that exist in the community regarding the increase in fuel prices is an interesting research material. This study aims to analyze public sentiment whether it is negative or supportive. The method used is Logistic Regression assisted by the Confusion Matrix for evaluation calculations.

The advantage of this method compared to other methods is that the Logistic Regression method is often used to create a predictive model whose result values are in the form of yes/no, true/false, thus this method is very suitable for this research.

The data used is 3000 data with keywords (increase in fuel prices). The results of the analysis that has been carried out show that positive sentiments get an accuracy value of 38% and negative sentiments of 80%. Classification performance of the Logistic Regression method gains 73%. The results of evaluation calculations with the Confusion Matrix using data testing as many as 600 data get an accuracy rate of 77%, a precision value of 95%, a recall value of 79%, and an f1 score of 86%. So it can be concluded from the results of the sentiment analysis that has been done that the public is more pro against the rejection of the increase in fuel prices.

Keywords: BBM; Klasification; Logistic Regression; Confusion Matrix; Predict

1. PENDAHULUAN

Pada awal bulan September 2022, pemerintah Indonesia mengeluarkan kebijakan yaitu menaikkan harga Bahan Bakar Minyak (BBM). Kebijakan ini muncul dari pengaruh perang di Eropa antara negara Rusia dan negara Ukraina. Hal ini menyebabkan harga minyak meroket di seluruh dunia terutama di negara Indonesia. Akibatnya, ekonomi memburuk termasuk di Indonesia yang berdampak besar pada masyarakat [1]. Larangan perdagangan minyak di negara Rusia menyebabkan guncangan pasokan, yang menyebabkan harga lebih tinggi di pasar dunia [2]. Kenaikan harga minyak dunia juga berkontribusi terhadap kenaikan harga minyak mentah di Indonesia. (ICP) per barrelnya mencapai $95,45. Sedangkan asumsi ICP APBN 2022 hanya $63 per barrelny. Kenaikan suku bunga dan likuiditas jelas akan berdampak pada negara berkembang, salah satunya negara Indonesia. Maka dari itu hal tersebut menyebabkan lonjakan anggaran subsidi untuk harga BBM di Indonesia.

Di Indonesia sendiri, BBM merupakan bahan baku yang sangat penting bagi masyarakat, khususnya bagi sektor perindustrian. Perubahan harga BBM dapat mempengaruhi biaya operasional dalam kegiatan sehari-hari.

Kebijakan kenaikan harga BBM memicu kontroversi di media sosial, salah satunya Twitter. Twitter adalah salah satu situs jejaring sosial paling populer [3]. Media sosial Twitter yaitu media untuk mendapatkan sebuah informasi [4]. Maka dari itu setelah kenaikan harga BBM disahkan, setiap hari di Twitter dipenuhi cuitan dengan hastag (#bbmnaik). Pro dan kontra yang ada di tengah-tengah masyarakat tentang kenaikan harga BBM menjadi bahan penelitian yang menarik. Analisis sentimen menjadi teknik yang tepat untuk mengetahui tanggapan masyarakat terhadap kenaikan harga BBM.

Penelitian terdahulu tentang analisis sentimen masyarakat terhadap naiknya harga BBM juga pernah dilakukan oleh Ghilman Rozy Hrp dan Nuri Aslami yang menganalisis dampak kebijakan perubahan harga BBM terhadap perekonomian. Pada penelitian tersebut penulis menyimpulkan bahwa banyak faktor yang menyebabkan

(2)

harga BBM naik, salah satunya yaitu konflik antara dua negara yaitu Rusia dan Ukraina. Maka dari itu kenaikan harga BBM sangat berdapkan terhadap masyarakat karena berpengaruh terhadap harga pangan dan sandang [5].

Penelitian terdahulu oleh Dewi Yuliani, Saryono, Dini Apriani, Maghfiroh, Mauli Ro, mengenai dampak harga BBM naik terhadap Sembako (sembilan bahan pokok ). Pada penelitian tersebut dapat disimpulkan bahwa dampak dari kenaikan harga BBM ini tidak signifikan atau bisa disebut lebih ke arah positif. Hal tersebut terlihat dari hasil wawancara yang menyatakan bahwa sembako adalah kebutuhan yang tetap harus dibeli walaupun sedang krisis harga BBM [6]. Penelitian terdahulu Saiful Anwar Assaidi terhadap sentimen evaluasi pada twitter menggunakan Logistic Regression yang menggunakan 349 tweet berupa 177 tweet positif dan 172 tweet negatif dengan pembagian antara data training dibandingkan data testing sebanyak 80:20 dihasilkan 78.57% nilai akurasi, 76.92%

nilai presisi, 83.3% nilai recall dan 80% nilai F1-score [7]. Penelitian terdahulu Anita Novantirani, terhadap analisis sentimen dengan Support Vector Machine mendapatkan nilai akurasi sebesar 78.12% [8]. Penelitian terdahulu Ni Luh Putu Chandra Savitri, terhadap analisis sentimen sekolah daring menggunakan Supervised Machine Learning. Logistic Regression menjadi model paling akurat untuk digunakan pada analisis sentimen karena mendapatkan nilai akurasi sebesar 87% [9]. Penelitian terdahulu Aditiya Yoga Pratama mengenai analisis sentimen media sosial twitter terhadap omnibus law cipta kerja, dalam penelitiannya yang menggunakan algoritma K-Nearest Neighbor diperoleh nilai akurasi sebesar 81,4% dari 100 data yang dipakai [10]. Penelitian terdahulu Brata Mas Pintoko, memanfaatkan Naive Bayes Clacifier untuk analisis sentimen layanan transportasi online, menghasilkan nilai akurasi sebesar 86,80% dengan nilai class sentimen negatif mendapatkan 11,40%, sedangkan nilai class sentimen positif 88,60% [11]. Penelitian terdahulu Amril Muthoi Siregar dengan Tia Astiyah Hasan dengan penelitiannya yaitu mengenai aplikasi linear dengan algoritma jaringan syaraf tiruan untuk analisis sentimen. Penelitian tersebut mendapatkan tingkat akurasi sebesar 53.33% [12]. Penelitian terdahulu Kelvin, Evta Indra, dan Stiven Hmonangan Sinurat, dalam penelitiannya terhadap analisis sentimen terhadap CoronaVirus Diasease-2019 dengan dibantu algoritma Logistic Regression dan Support Vevtor Machine. Hasil dari penelitian tersebut algoritma SVM mendapat tingkat akurasi sebesar 91,15% dan algoritma Logistic Regression mendapat tingkat akurasi sebesar 80,68% [13].

Pada penelitian yang sudah dilakukan oleh beberapa penulis di atas, peneliti tertarik untuk membuat sebuah penelitian mengenai analisis sentimen pengguna Twitter terhadap kenaikan harga Bahan Bakar Minyak (BBM) menggunakan metode Logistic Regression. Penelitian ini bertujuan untuk menentukan pendapat atau opini masyarakat apakah bersifat penolakan atau mendukung terhadap kebijakan pemerintah tentang kenaikan harga BBM di Indonesia. Penelitian ini berupaya menganalisis opini masyarakat dengan mengambil tweet dari media sosial Twitter. Untuk pengumpulan data, peneliti menggunakan Crawling data dibantu Application Programming Interface (API) untuk mendapatkan dataset. dari Twitter. Data tersebut berupa tweet masyarakat terhadap kenaikan harga BBM yang nantinya tweet tersebut akan dikelompokan dengan label positif dan negatif dengan dibantu metode Logistic Regression untuk pengoptimalan penelitian.

Logistic Regression sebagai metode klasifikasi analisis sentimen yang akan digunakan dalam penelitian ini [14]. Beberapa penelitian dengan metode klasifikasi yang menggunakan Logistic Regression sudah pernah dilakukan. Namun, dalam penelitian ini perbedaannya terdapat pada tema, dataset, dan metode yang digunakan.

Maka dari itu peneliti menggunakan metode Logistic Regression sebagai metode klasifikasi analisis sentimen dan menggunakan bahasa pemrograman python.

2. METODOLOGI PENELITIAN

Dalam menganalisa sentimen dan untuk mengetahui tingkat akurasinya, ada beberapa tahapan untuk mendapatkan hasil yang terbaik. Tahapan yang dilakukan yaitu :

Gambar 1. Alur penelitian

2.1. Pengumpulan Data

Pada tahap pengumpulan data dilakukan pencarian data tweet. Yang dimana data tweet didapatkan dengan metode Crawling data menggunakan pustaka kata kunci (kenaikan harga bbm) [15]. Crawling data yaitu cara yang

(3)

Muhammad Raja Nurhusen, Copyright © 2023, MIB, Page 278 digunakan untuk mendapatkan data dari twitter. Perolehan data tweet harus melalui prosedur autentikasi Application Programming Interface (API) [16]. Fungsi API Twitter yaitu untuk mengambil data tweet dari server Twitter dan mengunduh data dalam file format csv [17].

2.2. Pemrosesan Data

Untuk melakukan pemrosesan klasifikasi pada data tweet yang diambil, peneliti harus terlebih dahulu melakukan pemrosesan data pada data tweet. Menurut R. Rosdiana, T. Eddy, S. Zawiyah, dan N. Y. U. Muhammad pemrosesan data atau tahap preprocessing adalah untuk menghilangkan noise dan ucapan yang tidak pantas. Menyeragamkan bentuk kata dan mengurangi jumlah kata untuk memastikan hasil yang akurat di langkah berikutnya [18].

Sedangkan menurut Rahmad Aldi Saputra dan Sejati Waluyo tahap pemrosesan data adalah proses dataset melalui tahap preprocessing yang nantinya dijadikan data training dan data testing melalui 5 tahapan [19].

2.3. Penerapan Algoritma

Proses ini merupakan proses pengolahan data melalui penerapan algoritma. Dalam penelitian ini, metode Logistic Regression yang merupakan salah satu algoritma klasifikasi yang paling banyak digunakan. Pendekatan biasa untuk meramalkan rasio kemungkinan yang disesuaikan adalah Logistic Regression [20].

2.4. Evaluasi

Data yang diuji melewati proses ini. Tujuannya adalah untuk mengevaluasi model klasifikasi yang digunakan.

Pengujian model dilakukan dengan menghitung nilai akurasi, nilai presisi, dan nilai recall berdasarkan Confusion Matrix

Tabel 1. Tabel Confusion Matrix Aktual Class

Positive Negative Predicted Class Positive True Positive (TP) False Positive (FP)

Negative False Negative (FN) True Negative (TN) f − measure = 2 .recall .precision

recall+precision x 100% (1)

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 (𝐴) = ^{𝑇𝑃+𝑇𝑁}

𝑇𝑃+𝐹𝑃+𝐹𝑁+𝑇𝑁 𝑥 100% (2)

𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 (𝑃) = ^𝑇𝑃

𝑇𝑃+𝐹𝑃 𝑥 100% (3)

𝑅𝑒𝑐𝑎𝑙𝑙 (𝑅) = ^𝑇𝑃

𝑇𝑃+𝐹𝑁 𝑥 100% (4)

3. HASIL DAN PEMBAHASAN

Hasil penelitian yang dilakukan adalah dengan melakukan analisis sentimen dengan mengkategorikan opini atau tweet seseorang terkait kenaikan harga BBM. Algoritma Logistic Regression memudahkan untuk pengoptimalan pada penelitian analisis sentimen ini.

3.1. Pengumpulan Data

Tahap pengumpulan data menggunakan Crawling data dengan bantuan library snscrape. Yang dimana ada beberapa tahap dalam Crawling data tersebut, yaitu mulai dari memasukan kata kunci yaitu (kenaikan harga bbm), selanjutnya proses pencarian data tweet menggunakan API Twitter dibantu dengan library snscrape, lalu mengunduh data tweet tersebut dalam bentuk file csv.

Gambar 2. Alur Crawling data Tabel 2. hasil Crawling data tweet

Tweet

Mahasiswa di Aceh Demo Tolak Kenaikan Harga BBM https://t.co/lLl4HINgQF

@EnLmnd Menolak kenaikan harga BBM #LMNDTolakKenaikanBBM https://t.co/EbBskWwuDL

Jelang Kenaikan Harga BBM, Terjadi Antrian Panjang Kendaraan di SPBU Grobogan https://t.co/09nhsIFSVh

(4)

@worksfess BTW w ngisi kemarin bener2 gatau harga bbm mo naik. Baru tau td siang pas scroll twitter ada yg send tweet ke base ttg rencana skema kenaikan harganya.

Pada tabel 2 diatas yaitu hasil dari crawling data tweet. Dari hasil crawling tersebut didapatkan data tweet sebanyak 3000 data tentang sentimen masyarakat terhadap kenaikan harga BBM di Indonesia.

3.2. Pemrosesan Data

Pengolahan data ini digunakan untuk membersihkan data dari noise. Sehingga nantinya data tersebut siap digunakan pada proses selanjutnya. Pengolahan data ini meliputi beberapa tahapan, seperti gambar 3 dibawah ini :

Gambar 3. Tahap pemrosesan data a. Proses Cleansing :

Cleaning adalah langkah membersihkan data tweet dari komponen yang tidak diinginkan seperti retweet, username, hashtag (#) dan link URL.

b. Proses Case Folding :

Case Folding adalah langkah standarisasi font dalam data tweet. Langkah ini bertujuan untuk mengubah huruf besar menjadi huruf kecil.

c. Proses Tokenizing :

Tokenizing adalah proses penguraian kalimat menjadi perkata dengan menggunakan kamus yang dibangun sesuai kaidah kamus bahasa Indonesia.

d. Proses Filtering :

Filtering yaitu penghilangan kata yang tidak berbobot didalam data tweet walaupun kata tersebut sering kali keluar di dalam kalimat tweet.

e. Proses Stemming :

Stemming adalah proses memecah bentuk kata menjadi bentuk dasar. Misalnya, melantik menjadi lantik.

Tabel 3. Hasil tahap pemrosesan data

Pada tabel 3 diatas yaitu hasil dari tahap pemrosesan data. yang dimana tahapan tersebut bertujuan untuk pembersihan data tweet dari noise seperti name, handle, content, retweet, replies, favorite, hastag, search url, dan url. Agar nantinya data tweet bisa digunakan pada tahap berikutnya.

a) Pembagian Data :

Tahap ini adalah tahap pembagian data, yang dimana pada tahap ini akan dilakukan pembagian data sebesar 20 % data testing dan 80 % data training dari total 3000 data tweet. Untuk proses selanjutnya, peneliti menggunakan data testing untuk tahap pengolahan data.

b) Pelabelan Data Sentimen :

Setelah dilakukan tahap pembagian data, maka dilakukan sebuah tahap pelabelan sentimen pada data. Label yang digunakan yaitu menggunakan 2 label diantaranya label positif dan label negatif. Dari 3000 data tweet jumlah kelas sentimen positif dan negatif bisa dilihat pada tabel 4 dan gambar 4.

Tabel 4. Hasil pelabelan sentimen

Text Sentimen

mahasiswa aceh demo tolak naik harga bbm Negatif

tolak naik harga bbm lmnd tolak kenaikan bbm Negatif

jelang naik harga bbm antri kendaraan di spbu grobogan Positif

Text Hasil pemrosesan data

Mahasiswa di Aceh Demo Tolak Kenaikan Harga BBM https://t.co/lLl4HINgQF

mahasiswa aceh demo tolak naik harga bbm

@EnLmnd Menolak kenaikan harga BBM

#LMNDTolakKenaikanBBM https://t.co/EbBskWwuDL

tolak naik harga bbm lmnd tolak kenaikan bbm

Jelang Kenaikan Harga BBM, Terjadi Antrian Panjang Kendaraan di SPBU Grobogan https://t.co/09nhsIFSVh

jelang naik harga bbm antri kendaraan di spbu grobogan

@worksfess BTW w ngisi kemarin bener2 gatau harga bbm mo naik. Baru tau td siang pas scroll twitter ada yg send tweet ke base ttg rencana skema kenaikan harganya.

btw w ngisi kemarin bener gatau harga bbm mo tau td siang pas scroll twitter yg send tweet base ttg rencana skema naik harga

(5)

tweet ke base ttg rencana skema kenaikan harganya

Positif

Gambar 4. Grafik jumlah Sentimen

Pada gamabr 4 diatas, menunjukan bahwa pada tahap pelabelan sentimen menghasilkan class sentimen merah (negatif) berjumlah 2.280, sedangkan class sentimen biru (positif) berjumlah 720 dari total data tweet sebanyak 3000 data.

c) Representasi Worldcloud :

Hasil pengolahan data direpresentasikan dengan wordcloud. Setiap bab mengimplementasikan visualisasi wordcloud menggunakan data pelatihan yang telah mengalami pengolahan data. seperti gambar 5 dibawah ini.

Gambar 5. Hasil Worldcloud 3.3. Penerapan Algoritma :

# Logistic regression

Model = LogisticRegression(C=0,9,solver = “liblinear”, max iter =100) Model.fit(X_train_bow,y_train_bow)

#Prediction

test_pred = model.predict(X_test_bow)

print(“Accuracy:”,accuracy_score(y_test_bow,test_pred)*100

Langkah ini menggunakan Algoritma Logistic Regression untuk menguji kinerja hasil akurasi dalam dua kategori, positif dan negatif.. Metode Logistic Regression ini diterapkan untuk mengukur tingkat performa atau akurasi pada analisis sentimen kenaikan harga BBM. Pada tahap ini, peneliti menggunakan data uji sebesar 20%

atau 600 data. Hasil pengujian menggunakan data uji menunjukkan tingkat kinerja atau akurasi sebesar 73% untuk metode Logistic Regression.

3.4 Evaluasi

Pada tahap ini peneliti menggunakan Confusion Matrix untuk mengetahui performa klasifikasi model pada jumlah hasil prediksi data label yang dijadikan sebagai data testing. Prediksi kelas positif yang benar dinamakan (TP) True Positive, sementara yang salah dinamakan (FP) False Positive. Untuk kelas negatif yang diprediksi benar

720 2.280

C L A S S S E N T I M E N Positive Negative

Positif Negatif

(6)

dinamakan (TN) True Negative, sedangkan yang salah dinamakan (FN) False Negative. Hasil dari Confusion Matrix dapat dilihat pada tabel 5 berikut.

Tabel 5. Hasil Perhitungan matrixs

Aktual Class Positive Negative

Predicted Class Positive 450 21

Negative 116 13

Tabel 6. Hasil perhitungan manual confusion matrix Sentimen Total Precission Recall F-measure

Positive 129 95% 79% 86%

Negative 471 600

Akurasi 77%

a. Perhitungan Accuracy : 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (450 + 13)

(450 + 21 + 116 + 13) 𝑥 100% =463 600 𝑥 100

100= 77%

b. Perhitungan Precision : 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (450)

(450 + 21) 𝑥 100% = 450 471 𝑥 100

100= 95%

c. Perhitungan Recall : 𝑅𝑒𝑐𝑎𝑙𝑙 = (450)

(450 + 116) 𝑥 100% = 450 566 𝑥 100

100= 79%

d. Perhitungan F-measure : 𝑓 − 𝑚𝑒𝑎𝑠𝑢𝑟𝑒 =2 𝑥 79 𝑥 95

79 + 95 𝑥 100% = 15.010 174 𝑥 100

100= 86%

Berdasarkan tabel 5 dan 6 diatas, yang menjelaskan hasil pengujian dari Confusion Matrix menghasilkan performa klasifikasi dengan tingkat akurasi sebesar 77% dari 600 data testing, dengan nilai precission yaitu 95%, nilai recall 79%, dan nilai F-measure 86%.

4. KESIMPULAN

Berdasarkan penelitian yang sudah dilakukan mengenai analisis sentimen pengguna Twitter terhadap kenaikan harga BBM dengan menggunakan metode Logistic Regression dengan kata kunci (kenaikan harga bbm) bahwa hasilnya terdapat 720 tweet positif, dan 2.280 tweet negatif dengan nilai sentimen positif sebesar 38% sedangkan nilai sentimen negatif sebesar 80%. Dari hasil pengujian metode Logistic Regression dengan pembagian persentase 80% data training, 20% data testing dengan total 600 data. Didapatkan tingkat performa yaitu 73%. Maka dapat disimpulkan hasil prediksi yang diperoleh berdasarkan analisis sentimen penelitian ini, penduduk Indonesia lebih cenderung pada penolakan kenaikan harga BBM. Hasil perhitungan evaluasi menggunakan Confusion Matrix dengan menggunakan algoritma Logistic Regression, menghasilkan tingkat akurasi sebesar 77%, dengan nilai precision sebesar 95%, nilai recall 79%, dan nilai f-measure 86%. Pada pengembangan penelitian selanjutnya diharapkan menggunakan beberapa algoritma klasifikasi lainnya untuk nilai hasilnya itu sebuah perbandingan.

Selain itu dataset yang didapatkan bisa dari media lain dan jangan terpaku pada media sosial Twitter saja. Sehingga data yang digunakan nantinya bisa beragam dan analisis sentimen masyarakat selanjutnya bisa lebih akurat.

REFERENCES

[1] U. Kurniasih and A. T. Suseno, “Analisis Sentimen Terhadap Bantuan Subsidi Upah (BSU) pada Kenaikan Harga Bahan Bakar Minyak (BBM),” J. Media Inform. Budidarma, vol. 6, no. 4, pp. 2335–2340, 2022, doi: 10.30865/mib.v6i4.4958.

[2] S. Mujahidin, B. Prasetio, and M. C. C. Utomo, “Implementasi Analisis Sentimen Masyarakat Mengenai Kenaikan Harga BBM Pada Komentar Youtube Dengan Metode Gaussian naïve bayes,” Voteteknika (Vocational Tek. Elektron. dan Inform., vol. 10, no. 3, p. 17, 2022, doi: 10.24036/voteteknika.v10i3.118299.

[3] R. N. Fahmi, T. Informatika, U. Singaperbangsa, and T. Timur, “Analisis Sentimen Pengguna Twitter Terhadap Kasus Penembakan Laskar FPI Oleh Polri Dengan Metode Naive Bayes Classifier,” vol. 5, no. 2, pp. 61–66, 2021.

[4] A. Kusuma and A. Nugroho, “Analisa Sentimen Pada Twitter Terhadap Kenaikan Tarif Dasar Listrik Dengan Metode Naïve Bayes,” vol. 15, no. 2, pp. 137–146, 2021.

(7)

Perubahan Publik Harga BBM terhadap Perekonomian Rakyat Indonesia,” J. Ilmu Komputer, Ekon. dan Manaj., vol. 2, no. 1, pp. 1464–1474, 2022.

[6] D. Yuliani, S. Saryono, D. Apriani, Maghfiroh, and M. Ro, “Dampak Kenaikan Harga Bahan Bakar Minyak (BBM) Terhadap Sembilan Bahan Pokok (Sembako) Di Kecamatan Tambun Selatan Dalam Masa Pandemi,” J. Citizsh. Virtues, vol. 2, no. 2, pp. 320–326, 2022.

[7] S. A. Assaidi and F. Amin, “Analisis Sentimen Evaluasi Pembelajaran Tatap Muka 100 Persen pada Pengguna Twitter menggunakan Metode Logistic Regression,” vol. 6, pp. 13217–13227, 2022.

[8] A. Novantirani et al., “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” pp. 1–7, 2015.

[9] N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 1, pp. 47–58, 2021, doi: 10.28932/jutisi.v7i1.3216.

[10] A. Yoga Pratama et al., “Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja),” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 897–910, 2021.

[11] B. Mas Pintoko and K. Muslim, “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naïve Bayes Classifier,” e-Proceeding Eng., pp. 8121–8230, 2018.

[12] ubp karawang Amril Muthoi, Teknik informatika, “APLIKASI LINIER REGRESI DENGAN ALGORITMA JARINGAN SYARAF TIRUAN UNTUK SENTIMEN ANALISIS,” Techno Xplore, vol. 3, no. 2, pp. 43–51, 2018.

[13] S. H. S. Kelvin, Jepri Banjarnahor, Evta Indra, “ANALISIS PERBANDINGAN SENTIMEN CORONA VIRUS DISEASE- 2019 ( COVID19 ) PADA TWITTER MENGGUNAKAN METODE LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE ( SVM ),” vol. 5, no. 2, 2022.

[14] H. Sanusi, Klasifikasi sentimen terhadap data text jejaring sosial dengan topik pembelajaran daring menggunakan logistic regression. 2021.

[15] P. Y. Saputra, “Implementasi Teknik Crawling untuk Pengumpulan Data dari Media Sosial Twitter,” Din. Dotcom, vol.

8, pp. 160–168, 2017.

[16] H. Simorangkir and K. M. Lhaksmana, “Analisis Sentimen pada Twitter untuk Games Online Mobile Legends dan Arena of Valor dengan Metode Naïve Bayes Classifier,” e-proceeding of Englineering, vol. 5, no. 3, pp. 8131–8140, 2018, [Online]. Available: https://openlibrary.telkomuniversity.ac.id/pustaka/files/144621/jurnal_eproc/analisis-sentimen- pada-twitter-untuk-games-online-mobile-legends-dan-arena-of-valor-dengan-metode-na-ve-bayes-classifier.pdf [17] F. D. Ananda and Y. Pristyanto, “Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider

Menggunakan Algoritma Support Vector Machine,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol.

20, no. 2, pp. 407–416, 2021, doi: 10.30812/matrik.v20i2.1130.

[18] R. Rosdiana, T. Eddy, S. Zawiyah, and N. Y. U. Muhammad, “Analisis Sentimen pada Twitter terhadap Pelayanan Pemerintah Kota Makassar,” Proceeding SNTEI, no. June 2020, pp. 87–93, 2019.

[19] R. A. Saputra and S. Waluyo, “Penerapan Algoritma Naive Bayes Dalam Analisis Kenaikan Bahan Bakar Minyak Pada Twitter,” Semin. Nas. Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no. September, pp. 569–575, 2022, [Online]. Available:

https://senafti.budiluhur.ac.id/index.php

[20] M. Y. Aldean, M. D. Hilmawan, R. Indriyati, and J. Lasama, “Analisa Relevansi Tweet terhadap Hashtag dengan Metode Logistic Regression,” 2019.