ANALISIS SENTIMEN TERHADAP KUALITAS PELAYANAN APLIKASI GO-JEK MENGGUNAKAN
METODE NAIVE BAYES CLASSIFIER
Khofifah Diah Indarwati*1, Herny Februariyanti2
Universitas Stikubank; Jl.Trilomba Juang No.1, Semarang, Telp/Fax : (024) 8443240 Program Studi Sistem Informasi, FTII Universitas Stikubank, Semarang
e-mail: *1 khofifahdiah2@gmail.com, 2 hernyfeb@edu.unisbank.ac.id
Abstrak
Analisis sentimen adalah suatu hal yang berkaitan dengan text mining terutama ketika melakukan analisis sentimen pada media online. Semakin pesatnya teknologi saat ini sangat berpengaruh dengan dengan kesadaran pelanggan aplikasi gojek pada nilai peforma dan kualitas pelayanan yang diberikan oleh pengemudi. Dalam kepuasan pengguna aplikasi gojek dapat dipengaruhi oleh kinerja atau peforma dari pelayanan yang diberikan kepada pengguna. Maka dari itu peneliti melakukan text mining untuk menyelesaikan masalah dengan analisis sentimen opini masyarakat terhadap layanan mengenai tinjauan kepuasaan pelanggan. Pada penelitian ini akan meggunakan proses pembobotan kata untuk menentukan sentimennya yang dibagi menjadi sentiment positif dan sentiment negatif. Hasil akurasi yang diperoleh terhadap 800 data ulasan aplikasi gojek yang terbagi dari 640 data latih dan 160 data uji memakai algoritma naive bayes tergolong cukup tinggi dengan nilai akurasi 68%, sehingga membuktikan bahwa algoritma naive bayes dapat menjadi salah satu pilihan dalam pengklasifikasian data ulasan publik.
Kata kunci— Analisis Sentimen, Naive Bayes Classifier (NBC), TF-IDF
Abstract
Sentiment analysis is something related to text mining, especially when doing sentiment analysis on online media. The rapid development of technology is currently very influential with the awareness of Gojek application customers on the value of performance and quality of service provided by the driver. In the gojek application user satisfaction can be influenced by the performance or performance of the services provided to users. Therefore, researchers do text mining to solve problems by analyzing public opinion sentiment on services regarding customer satisfaction. In this study, we will use a word weighting process to determine the sentiment which is divided into positive sentiment and negative sentiment. The accuracy results obtained from 800 reviews of Gojek application data which are divided into 640 training data and 160 test data using the Naive Bayes algorithm are quite high with an accuracy value of 68%, proving that the Naive Bayes algorithm can be an option in classifying public review data.
Keywords— Sentiment analysis, Naive Bayes Classifier (NBC), TF-IDF
1. PENDAHULUAN
P
erkembangan dibidang teknologi dan informasi pada zaman saat ini sangat berpengaruh besar didalam kehidupan sehari-hari. Sistem berbasis online menjadikan segala kegiatan masyarakat menjadi lebih mudah seperti halnya pada transportasi maupun pembelian makanan minuman. Masyarakat saat ini memanfaatkan teknologi untuk membantu aktivitas yang mereka butuhkan, misalnya melakukan pemesanan melalui aplikasi online untuk membeli makanan dan memesan transportasi online. Salah satu transportasi onlineyang menjadi andalan masyarakat di Indonesia adalah aplikasi Go-jek. pada masa ini Go-jek adalah tranportasi umum dan semakin popular dikalangan pengguna transportasi umum karena lebih mudah dan praktis. Semakin meningkatnya pengguna aplikasi gojek dalam menilai kualitas driver ketika melayani para pelanggan. Kualitas layanan yang ada dari perusahaan akan mempengaruhi tingkat kepuasaan pelanggan.[1]
Melalui halaman komentar di sosial media perusahaan Go-jek dapat mengetahui tingkat kepuasaan pelanggannya. Sehingga untuk mengatasi masalah tersebut peneliti menggunakan teknik mining dalam menganalisa review kepuasan pelanggan melalui analisis sentimen opini masyarakat terhadap layanan yang dapat membantu perusahaan Go-jek. Situs penyedia ulasan secara daring saat ini semakin berkembang pesat, penelitian dalam bidang analisis sentimenpun sudah banyak dilakukan. Hal yang tidak dapat dipisahkan pada analisis sentimen dan text mining yaitu ketika melakukan analisis sentimen pada suatu aplikasi. Analisis sentimen dilakukan untuk mengukur opini masyarakat pada suatu data teks menggunakan pembobotan pada suatu kalimat, kata, atau pasangan kata yang ada untuk menentukan kelas yang terdiri dari sentimen positif dan sentimen negatif).
Ketika melakukan suatu analisis pada media sosial secara manual diperlukan waktu yang tidak sedikit sehingga diperlukannya penerapan text mining dalam menganalisa opini dari para pengguna aplikasi gojek mengenai kinerja layanan transportasi online. Data yang diambil adalah ulasan pada aplikasi gojek melalui play store.
Metode paling sederhana dari pengklasifikasian probabilitas adalah metode naïve bayes. Algoritma Naïve Bayes Classifier memiliki dua tahapan yaitu tahap latih dan tahap uji dalam memprediksi perhitungan probabilitas dari hasil yang telah ada sebelumnya. [2]
Penelitian ini bertujuan untuk mengklasifikasikan opini masyarakat pada pelayanan driver Go-jek yang diberikan kepada pengguna layanan aplikasi gojek dengan memakai metode Naïve Bayes Classifier, untuk mengetahui kepuasaan pelanggan dalam menggunakan jasa Go-jek menghasilkan seberapa besar tingkat akurasi dalam membuat klasifikasi. Penelitian ini bertujuan untuk menganalisa aplikasi gojek dalam meningkatkan kualitas pelayanan gojek serta mengetahui apakah gojek dapat menjadi jasa transportasi online terpercaya.
Terdapat beberapa penelitian terdahulu terdahulu terkait dengan penelitian yang dilakukan seperti halnya penelitian mengenai analisis sentimen tentang pendapat vaksinasi COVID-19 di Indonesia menggunakan algoritma Naïve Bayes Classifier. Analisis dilakukan pada 3780 data tweet menghasilkan tweet positif sebesar 60,3%, tweet netral sebesar 34,4%, dan tweet negatif sebesar 5,4% dengan nilai akurasi yang didapat adalah 93%. Penelitian ini memanfaatkan data ulasan dari pengguna aplikasi twitter dengan menggunakan algoritma naïve bayes untuk mengetahui penilaian dari masyarakat Indonesia terkait kebijakan vaksinasi covid-19. [3]
Penelitian menggunakan Metode SVM dan NBC mengenai kualitas pelayanan pada aplikasi Go- jek untuk mengklasifikasikan ulasan ke dalam sentimen positif dan negatif. Penelitian ini membandingkan metode Support Vector Machine (SVM) dengan Naïve Bayes Classifier (NBC) untuk menghasilkan score accuracy, recall, dan precission. score tertinggi adalah 0,897 dari 2000 data dengan perbandingan 50% data testing dan 50% data training. Score terendah adalah 0,486 dengan perbandingan data 40% dan 60%. Dari penelitian tersebut disimpulkan bahwa banyaknya data testing dan data training mempengaruhi hasil yang didapat namun perolehan kata terbanyak masih belum diketahui dengan jelas. Sehingga dengan adanya analisis sentimen yang peneliti lakukan dapat memperjelas dari hasil penelitian sebelumnya. [4]
Penelitian mengenai analisis sentimen dari ulasan mengenai objek wisata TMII menggunakan metode Naïve Bayes dan PSO untuk mengidentifikasi suatu opini bagi pengunjung yang akan bepergian ketempat wisata yang dituju. Analisis yang dilakukan menggunakan metode naive bayes menghasilkan nilai akurasi sebesar 70% dan 94,02% untuk metode naive bayes dan PSO dengan menggunakan 100 data ulasan.
Data yang dikumpulkan tidak secara langsung didapat langsung dari para pengunjung taman mini Indonesia secara luas menjadikan kurangnya data ulasan yang digunakan dalam penelitian. [5]
Penelitian mengenai analisis sentimen sistem untuk melakukan proses analisis otomatis pada ulasan produk online menggunakan metode Naive Bayes. Hasil yang didapat dalam pengujian 3 kelas yaitu positif,
negatif, dan netral menggunakan 90% data latih dan 10% data uji menghasilkan nilai akurasi 77.78%, recall 93.33%, dan precision 77.78% sedangan pengujian menggunakan 5 kelas menghasilkan nilai akurasi sebesar 59.33%, recall 58.33% dan precision sebesar 59.33%. Namun penelitian tersebut tidak menjelaskan mengenai sentimen pengguna terhadap topik yang tertera dan hanya berfokus pada penjelasan dalam pengklasifikasian komentar juga hasil akurasi yang didapat. [6]
2. METODE PENELITIAN
Untuk melakukan penelitian ini, dibutuhkan bagaimana prosedur pengumpulan data serta tahap- tahap pengolahan data yang dilakukan dalam preprocessing data, dan pemodelan klasifikasi menggunakan algoritma naive bayes classifier. Tahapan untuk metode penelitian dapat dilihat pada gambar 1 dibawah ini :
Gambar 1. Flowchart Penelitian 2.1 Pengumpulan Data
Pengumpulan data yang dilakukan yaitu teknik scraping dalam mengumpulkan data dalam jumlah yang banyak. Data yang diambil menggunakan website Appfollow.io dan data yang terkumpul akan disimpan kedalam bentuk excel. Data yang dikumpulkan berupa teks yang diambil sebanyak 800 data pada tanggal 1 sampai 25 September 2021 dan terbagi menjadi 2 data yaitu d
ata latih sebanyak 640 dan data uji sebanyak 160 data. [7]
2.2 Preprocessing Data
Preprocessing data merupakan teknik tahapan merubah data yang tidak sesuai menjadi terstruktur.
[8] Beberapa langkah preprocessing data dapat dilihat pada gambar 2 berikut ini :
Gambar 2. Flowchart Tahapan Preprocessing 2.3 Pembobotan Kata
Setelah data melalui tahap preprocessing, selanjutnya akan dibuat model agar data yang mentah atau masih berupa kata-kata dapat diubah dan dihitung. Setelah diubah data akan menjadi vector kemudian diolah menggunakan algoritma naive bayes agar dapat diberi nilai dan pembobotan untuk setiap kata.
2.4 Implementasi Algoritma Naïve Bayes
Data training yang telah melalui tahap preprocessing dan pembobotan kata akan menjadi input pada proses training dalam menerapkan algoritma naive bayes. Setelah melalui tahap perhitungan frekuensi pada tiap-tiap dokumen, maka dilakukan tahap pengklasifikasian menggunakan algoritma naive bayes.
3. HASIL DAN PEMBAHASAN
Dalam penelitian ini mengklasifikasikan mengenai data ulasan pengguna aplikasi gojek pada play store. Tahapan untuk mengelompokkan data ulasan menggunakan bahasa pemrograman Python yang bertujuan untuk menganalisa sentimen masyarakat terhadap aplikasi gojek. Data yang digunakan adalah data komentar ulasan aplikasi Gojek pada play store yang didapat dari website Appfollow. Data ulasan aplikasi gojek pada website Appfollow dapat dilihat pada gambar 3 berikut ini :
Gambar 3. Data Ulasan Aplikasi Gojek pada Website Appfollow
Data yang tersimpan akan bertipe excel (.xlsx) dan di labelling untuk menentukan sentimen dari pengguna aplikasi Gojek. Proses labelling akan dibedakan menjadi 2 yaitu sentimen positif dan sentimen negatif. Data yang dikumpulkan berupa teks yang diambil sebanyak 800 data dibagi menjadi 2 data yaitu data latih sebanyak 640 yang terdiri dari 432 data ulasan positif dan 208 ulasan negatif. Data uji sebanyak 160 data yang sudah diketahui kelas sentimennya yaitu 108 sentimen positif dan 52 sentimen negatif. [9]
Gambar 4. Hasil Scraping Data 3.1 Membaca Data
Tools yang digunakan untuk membaca data ulasan menggunakan fungsi pd.read_excel(), karena format data yang digunakan berupa file .xlsx yang berisi kumpulan data ulasan yang telah diberi kelas sentimen untuk digunakan pada proses pelatihan dan pengujian. Data ulasan yang terkumpul pada aplikasi gojek yang dilakukan pada bulan september. Untuk menetapkan tempat penyimpanan pada data menggunakan fungsi df_data().
Membaca data dengan data ulasan sebanyak 800 entri dan memiliki 4 variabel diantaranya : no, rating, review, dan sentimen. Variabel rating berupa penilaian pengguna pada aplikasi gojek dengan nilai 1 sampai 5 dan dikelompokkan menjadi kelas 1 sampai adalah sentimen negatif dan semtimen positif dengan nilai 4 dan 5. Sedangkan variabel review berisi kumpulan komentar pengguna.
3.2 Text Preprocessing
Data ulasan yang terkumpul merupakan data teks dengan format .xlsx dan data masih bersifat tidak terstruktur. Data yang tidak terstruktur dapat menghambat jalan nya proses sehingga harus dilakukan tahap text preprocessing dengan tujuan memperbaiki data menjadi terstruktur. Pada text preprocessing ada 4 tahapan meliputi case folding, tokenizing, filtering, dan stemming. [3]
• Case folding yaitu untuk menyamaratakan pnggunaan huruf kapital agar menjadi huruf kecil (lowercase). Serta menghapus karakter selain huruf dan dianggap dilimiter. Contoh case folding yaitu input “maaf tapi aku harus jujur, makin berantakan” output menjadi “maaf tapi aku harus jujur makin berantakan”.
Gambar 5. Hasil Case Folding
• Tokenizing adalah suatu proses analisis data untuk memecah kalimat-kalimat tersebut menjadi kata yang disebut dengan token. Menggunakan tokenizing dapat membedakan antara pemisah kata atau maupun bukan. Contoh tokenizing yaitu input “sangat memudahkan” outpu menjadi “sangat”,
“memudahkan”.
Gambar 6. Hasil Tokenizing
• Filtering adalah suatu tahapan untuk mengambil kumpulan kata yang tidak digunakan dari hasil token. Kata umum yang biasa muncul dan tidak memiliki makna disebut dengan stopword. Misal penggunaan kata penghubung seperti dan, yang, serta, setelah, dan lainnya.
Gambar 7. Hasil Filtering
• Stemming adalah lanjutan proses dari hasil filtering. Dalam tahapan ini diperlukan berbagai proses pengambilan pada sebuah bentuk kata kedalam bentuk yang sama. Proses ini dilakukan untuk penggunaan kata berbahasa inggris dan kurang tepat dilakukan pada kata berhabasa indonesia.
Gambar 8. Hasil Stemming
3.3 TF-IDF (Term Frequency-Inverse Document Frequency)TF-IDF yaitu pembobotan kata atau pemberian bobot suatu kata kedalam dokumen yang ada. TF (Term Frequency) adalah frekuensi kemunculan dari term yang ada pada dokumen, dan IDF (Inverse Document Frequency) yaitu sebuah perhitungan dari term untuk secara luas didistribusikan pada dokumen yang ada. TF (Term Frequency) akan terlebih dahulu dilakukan dalam menghitung proses pembobotan kata.
Gambar 9. Program Term Frequency
Menggunakan fungsi Pandas series row dan membuat review_list untuk menyimpan list dari data opini. melakukan .apply() pada fungsi .calc_TF() yang ada ke fungsi Pandas Series ‘Review_list’ dan hasil akan tersimpan pada Series ‘TF_dict’, selanjutnya membuat dictionary DF, dimana key adalah sebuah term dan value adalah total dokumen (DF_dict) yang terikat term tersebut.
Gambar 10. Program Term Frequency-Inverse Document Frequency
Dilakukan perhitungan pembobotan TF-IDF. Untuk menghasilkan result menjadi suatu nilai TF- IDF digunakan menggunakan fungsi TF[key] * IDF[key]. Hasil TF-IDF dapat dilihat pada gambar 11 dibawah ini :
Gambar 11. Hasil TF-IDF
Pada gambar 11 menunjukkan hasil perhitungan setiap kata pada satu kalimat dari data opini yang digunakan. Dalam data tersebut memiliki 8 suku kata menghasilkan TF dan TF-IDF yang berbeda seperti halnya kata “spl” mendapat nilai TF sebesar 0.125 dan nilai TF-IDF sebesar 0.748.
Gambar 12. Program Kata Teratas
Dalam menganalisis data sentimen diperlukan jumlah keseluruhan kata yang nantinya dapat menjadi penilaian dalam mengimplementasikan algoritma naive bayes. Hasil perhitungan kata teratas dari term pada 800 data opini. Dapat dilihat bahwa perolehan kata terbanyak yaitu kata “mantap” dengan memperoleh nilai 131.085 dan disusul dengan kata “bantu” dengan perolehan nilai 106.727. Dapat dipastikan bahwa pengguna aplikasi gojek merasa puasa dan terbantu dengan adanya aplikasi tersebut.
Gambar 13. Hasil Kata Teratas 3.4 Implementasi Naive Bayes Classifier
Tahap ini merupakan langkah utama dalam pengklasifikasian data opini menggunakan algoritma naive bayes. Dalam proses membuat learning menggunakan 800 data yang dibagi menjadi 2 data yaitu menggunakan data training untuk membuat model learning dan data testing yang nantinya akan digunakan untuk menguji model yang telah dibentuk, peneliti akan menggunakan rasio 8:2 yang artinya 80% (640 data training) dan 20% (160 data testing) menghasilkan 1396 atribut atau kata.
Proses pengklasifikasian data dilakukan menggunakan perhitungan probabilitas pada kalimat disetiap kelas untuk dapat menghasilkan prediksi dan akurasi data yang dimasukkan. Agar mengetahui performa dari algoritma naive bayes, dilakukannya pengujian pada data latih sebesar 160 data.
Hasil klasifikasi akan di visualisasikan dalam bentuk confusion matrix. Berikut adalah hasil dari pengujian klasifikasi memakai algoritma naive bayes.
Gambar 14. Hasil Confusion Matrix Naive Bayes
Hasil dari klasifikasi 160 data latih menggunakan algoritma naive bayes dengan 108 sentimen positif dan 52 sentimen negatif menghasilkan nilai akurasi diperoleh sebesar 68% yang terbilang cukup tinggi. Definisi angka 1 ada nilai positif dan angka 0 ada nilai negatif, dengan tabel confusion matrix juga dapat digunakan untuk melihat hasil nilai ukuran evaluasi model yang lainnya seperti precision yaitu ukuran
untuk sistem dalam mencari ketepatan antar informasi menghasilkan nilai negatif sebesar 0.00 dan nilai positif sebesar 0.68, recall yaitu ukuran untuk suatu sistem dalam menemukan kembali informasi menghasilkan nilai negatif sebesar 0.00 dan nilai positif sebesar 1.00, f1-score yaitu perbandingan dari rata- rata precision dan recall menghasilkan nilai negatif sebesar 0.00 dan nilai positif sebesar 0.81.
3.5 Visualisasi Data
Pada tahap ini akan menampilkan banyak nya kata atau komentar yang sering diperbincangkan oleh para pengguna aplikasi gojek hingga dihasilkan suatu visualisasi data dalam bentuk wordcloud. Besar kecilnya ukuran kata dalam wordcloud berpengaruh dalam opini publik. [10]
Gambar 15. Visualisasi Data Positif
Berdasarkan hasil visualisasi data diatas dapat dilihat bahwa kata yang sering ditulis oleh pengguna di
Play Store pada aplikasi Gojek dengan sentimen positif adalah kata gojek. adapunkata ini, di, saya, dan, membantu, dsb juga menjadi sorotan pengguna aplikasi Gojek.
Gambar 16. Visualisasi Data Negatif
Berdasarkan hasil visualisasi data diatas dapat dilihat bahwa kata yang sering ditulis oleh pengguna di Play Store pada aplikasi Gojek dengan sentimen negatif adalah kata saya. adapun kata di, dan, gojek, nya, dsb juga menjadi sorotan pengguna aplikasi Gojek.
4. KESIMPULAN
Berdasarkan dari hasil penelitian yang telah dilakukan mengenai analisis sentimen data ulasan pada pengguna aplikasi gojek memiliki dampak yang cukup besar dalam mencari transportasi umum. Dapat dilihat dalam tahap pembobotan kata yang dilakukan menggunakan wordcloud menamplkan perolehan kata teratas yaitu kata “mantap” dengan perolehan nilai 131.085 dan disusul dengan kata “bantu” dengan perolehan nilai 106.727. Para pengguna transportasi umum lebih memilih untuk menggunakan aplikasi secara online karena dapat digunakan secara praktis dan terpercaya,penumpang dapat mengetahui data diri
driver serta dapat mengetahui ruta perjalanan yang dituju. Adapun pengguna yang lebih memilih mencari transportasi secara umum, terutama karena belum terbiasa untuk menggunakan aplikasi tersebut atau akses jaringan yang bermasalah sehingga pengguna sulit untuk memesan secara online.
5. SARAN
Terdapat beberapa kekurangan dalam penelitian yang telat dilakukan, sehingga penelitian yang lebih lanjut masih sangat dibutuhkan dalam perbaikan serta pengembangan sistem untuk dapat menjadi lebih baik lagi dalam segi data maupun dalam segi fungsional. Agar sistem dapat berfungsi dengan lebih baik kedepannya untuk menggunakan algoritma selain Naive Bayes Classifier seperti algoritma Support Vector Machine (SVM), K-means, dsb. Agar mendapatkan tingkat akurasi hasil yang lebih tepat dan hasil terbaik dalam pengklasifikasikan suatu data ulasan.
UCAPAN TERIMA KASIH
Penulis mengucapkan banyak terima kasih untuk orang tua saya yang telah memberi dukungan financial pada penelitian ini, juga rekan-rekan Fakultas Teknologi Informasi dan Industri yang memberikan semangat serta motivasi dalam menyelesaikan penelitian ini.
DAFTAR PUSTAKA
[1] R. Oktarini, “Pengaruh Kualitas Pelayanan Dan Harga Terhadap Kepuasan Pelanggan Pengguna Jasa Aplikasi Gojek Di Kota Tangerang,” J. Sekr. Univ. Pamulang, vol. 6, no. 2, hal. 248, 2020, doi:
10.32493/skr.v6i2.5541.
[2] S. Afrizal, H. N. Irmanda, N. Falih, dan I. N. Isnainiyah, “Implementasi Metode Naïve Bayes untuk Analisis Sentimen Warga Jakarta Terhadap,” Inform. J. Ilmu Komput., vol. 15, no. 3, hal. 157, 2020, doi: 10.52958/iftk.v15i3.1454.
[3] W. Y.-J. D. M. dan S. Informasi dan undefined 2021, “Analisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid-19 Menggunakan Algoritma Naïve Bayes Classifier,”
Ejurnal.Teknokrat.Ac.Id, vol. 2, no. 2, hal. 1–9, 2021, [Daring]. Tersedia pada:
https://ejurnal.teknokrat.ac.id/index.php/JDMSI/article/view/1344.
[4] M. Tri Anjasmoros dan dan Fitri Marisa, “Analisis Sentimen Aplikasi Go-Jek Menggunakan Metode Svm Dan Nbc (Studi Kasus: Komentar Pada Play Store),” Conf. Innov. Appl. Sci. Technol.
(CIASTECH 2020), no. Ciastech, hal. 489–498, 2020.
[5] R. Y. Hayuningtyas dan R. Sari, “Analisis Sentimen Opini Publik Bahasa Indonesia Terhadap Wisata Tmii Menggunakan Naïve Bayes Dan Pso,” J. Techno Nusa Mandiri, vol. 16, no. 1, hal. 37–
42, 2019, doi: 10.33480/techno.v16i1.115.
[6] B. Gunawan, H. S. Pratiwi, dan E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, hal. 113, 2018, doi: 10.26418/jp.v4i2.27526.
[7] H. Tuhuteru dan A. Iriani, “Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier,” J. Inform. J. Pengemb.
IT, vol. 3, no. 3, hal. 394–401, 2018, doi: 10.30591/jpit.v3i3.977.
[8] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian,” J.
RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 1, hal. 19–25, 2017, doi:
10.29207/resti.v1i1.11.
[9] F. Afshoh, “Analisa Sentimen Menggunakan Naïve Bayes,” Inform. Progr. Stud. Komunikasi, Fak.
Inform. D A N Surakarta, Univ. Muhammadiyah, vol. 12, hal. 17, 2017.
[10] Andreyestha, “Analisis Sentimen Masyarakat Terhadap Fenomena Teroris Melalui Twitter Di Indonesia,” J. Kaji. Ilm., vol. 19, no. 3, hal. 239–247, 2016.
