Analisis Sentimen Opini Pengguna Twitter Terhadap Perusahaan Jasa Ekspedisi Menggunakan Algoritma Naïve Bayes Berbasis PSO

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4629

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Analisis Sentimen Opini Pengguna Twitter Terhadap Perusahaan Jasa Ekspedisi Menggunakan Algoritma Naïve Bayes Berbasis PSO

Nenden Legiawati^1,*, Teguh Iman Hermanto², Yudhi Raymond Ramadhan³ Teknik Informatika, Sekolah Tinggi Teknologi Wastukancana, Purwakarta, Indonesia

Email: ¹nenden.legiawati@stt-wastukancana.ac.id, ²teguhiman@wastukancana.ac.id, ³yudhi.raymond@wastukancana.ac.id Email Penulis Korespondensi: nenden.legiawati@stt-wastukancana.ac.id

Submitted 03-08-2022; Accepted 14-08-2022; Published 30-08-2022 Abstrak

Jasa ekspedisi digunakan dalam proses pengiriman barang ataupun jual beli dengan jarak jauh. Twitter menjadi media sosial dalam berbagi informasi dan opini, termasuk opini pada jasa ekspedisi baik bersifat negatif maupun positif. Permasalahan yang terjadi apakah banyaknya opini pada jasa ekspedisi benar memiliki sentimen positif atau negatif. Solusi untuk permasalahan yang terjadi yaitu dengan analisis sentimen, membantu dalam mengelompokkan data dan memprediksi data tweet tersebut. Tujuan penelitian ini untuk memprediksi data tweet yang mengandung sentimen dengan menggunakan metode klasifikasi data yaitu algoritma naïve bayes dengan menghitung nilai dari data tweet jasa ekspedisi anteraja yang memiliki hasil accuracy 87,77%, precision 76,67%, recall 52,27%. JNE dengan accuracy 81,48%, precision 71,43%, dan recall 62,50%. JNT dengan accuracy 91,46%, precision 48,15%, recall 86,67%.

Shopee Express dengan accuracy 92,68%, precision 9,09%, recall 16,67% dan Sicepat dengan accuracy 91,50%, presision 100,00%

dan recall 38,10%. Particle Swarm Optimization (PSO) berfungsi untuk meningkatkan nilai hasil dari klasifikasi naïve bayes dengan hasil dari anteraja accuracy 91,70%, precision 82,05%, recall 72,73%. JNE accuracy 93,83%, precision 88,00%, recall 91,67%. JNT accuracy 92,18%, precision 70,97%, recall 81,48%. Shopee Express accuracy 94%, precision 20,00%, recall 33,33% dan Sicepat accuracy 95,42%, precision 93,75%, recall 71,43%. Dari hasil penelitian naïve bayes dan Particle Swarm Optimization (PSO) dapat dibandingkan bahwa Particle Swarm Optimization (PSO) terbukti mampu meningkatkan nilai dari naïve bayes.

Kata Kunci: Jasa Ekspedisi; Twitter; Analisis Sentimen; Naïve Bayes; Particle Swarm Optimization (PSO) Abstract

Expeditions are used in the process of delivering goods or selling them remotely. Twitter has become a social media for information sharing and opinions, including those on the expeditionary services both negative and positive. The solution for the problem which occurs is that of sentiment analysis, helpful in grouping the data and predicting the tweet. The aim of the research to predict sentient tweeted data using a file classification method, naive bayes's algorithm calculated the value of the tweets of the Anteraja expedition service that had the results accuracy 87,77%, precision 76,67%, recall 52,27%. JNE with accuracy 81,48%, precision 71,43%, dan recall 62,50%. JNT with accuracy 91,46%, precision 48,15%, recall 86,67%. Shopee Express with accuracy 92,68%, precision 9,09%, recall 16,67% and Sicepat with accuracy 91,50%, presision 100,00% dan recall 38,10%. Particle Swarm Optimization (PSO) serves to increase the value of the results of the nave Bayes classification with the results of Anteraja accuracy 91,70%, precision 82,05%, recall 72,73%. JNE accuracy 93,83%, precision 88,00%, recall 91,67%. JNT accuracy 92,18%, precision 70,97%, recall 81,48%. Shopee Express accuracy 94%, precision 20,00%, recall 33,33% and Sicepat accuracy 95,42%, precision 93,75%, recall 71,43%. From the results of naïve bayes research and Particle Swarm Optimization (PSO) it can be compared that Particle Swarm Optimization (PSO) is proven to be able to increase the value of nave Bayes.

Keywords: Expeditions; Twitter; Sentiment Analytics; Naïve Bayes, Particle Swarm Optimization (PSO)

1. PENDAHULUAN

Teknologi informasi banyak digunakan diberbagai bidang salah satunya bidang jasa ekspedisi atau jasa pengiriman barang, digunakan dalam proses pengiriman barang ataupun jual beli barang baik secara online maupun offline. Pada era digital telah menjadikan perusahaan jasa pengiriman memiliki peran sentral dalam distribusi barang kepada konsumen[1], internet memudahan masyarakat dalam melakukan kegiatan jual beli di e-commerce maupun mengirim barang, masyarakat bisa memilih jasa ekspedisi apa saja yang tersedia. Banyak sekali manfaat dari jasa ekspedisi tak lepas dari adanya kekurangan yang dimiliki pada masing-masing perusahaan ekspedisi, salah satu faktor yang mempengaruhi kekurangan dari jasa ekspedisi yaitu pendapat atau opini,pendapat pelanggan akan menggambarkan pandangan mereka terhadap layanan ekspedisi dan mempengaruhi pandangan orang lain[2] dengan kecenderungan atau preferensi tertentu terhadap perspektif dan ideologi akan tetapi bersifat tidak objektif[3]. Salah satu media sosial yang dapat digunakan untuk analisa data adalah Twitter[4].

Twitter merupakan jenis media sosial cukup popular dan diminati oleh seluruh masyarakat dunia termasuk Indonesia [5] yang menyediakan berbagai informasi, salah satu informasi yaitu opini pengguna twitter yang berisi tweet- tweet yang berkaitan dengan jasa ekspedisidan digunakan oleh masyarakat untuk sekedar meluapkan emosinya maupun membagikan suatu informasi[6]. Para pengguna twitter membagikan tweet mengandung sentimen baik positif maupun negatif terhadap kepuasan dalam menerima layanan kurir perusahaan jasa ekspedisi. Banyaknya opini tweet dari pengguna twitter membuat data tweet tersebut apakah benar memiliki sentimen positif atau negatif. Untuk memudahkan dalam memprediksi dan mengelompokkan data tweet pengguna twitter maka membutuhkan analisis sentimen yang dapat menjadi solusi dalam permasalahan prediksi sentimen terhadap data tweet.

Analisis sentimen dipandang sebagai alat bisnis intelijen yang diinginkan, karena kemampuannya dapat mengekstrak opini publik tentang topik tertentu, produk atau jasa yang tertanam dalam teks-teks yang tidak terstruktur [7]. Dengan analisis sentimen data tweet pada opini pengguna media sosial twitter dapat membantu penelitian dalam

(2)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom menganalisis data dengan mengidentifikasi, mengelompokkan, dan memprediksi kata yang memiliki kemunculan terbanyak untuk diklasifikasikan dengan cara menghitung kata tersebut menggunakan algoritma Naïve Bayes.

Algoritma Naive Bayes adalah salah satu algoritma klasifikasi berdasarkan teorama bayesian pada statistika, algoritma Naive Bayes dapat digunakan untuk memprediksi probabilitas keanggotaan suatu kelas [8]. Kelebihan menggunakan Naive Bayes yaitu telah teruji mempunyai akurasi serta kecepatan yang besar jika digunakan dalam database dengan informasi yang besar [9]. Dalam penelitian ini algoritma Naïve Bayes membantu dalam melakukan klasifikasi data. Particle Swarm Optimization merupakan sebuah evolusi algoritma yang efisien [10]. Kelebihan metode optimasi Particle Swarm Optimization (PSO) adalah mempunyai konsep sederhana, mudah diimplementasikan dan efisien dalam perhitungan jika dibandingkan dengan algoritma matematika dan teknik optimisasi heuristik lainnya[11].

Ada beberapa artikel yang berkaitan dengan penelitian ini seperti yang dilakukan oleh Muhammad Raihan Fais Sya’ bani, Ultach Enri, Tesa Nur Padilah dengan judul “Analisis Sentimen Terhadap Bakal Calon Presiden 2024 dengan Algoritma Naïve Bayes” menggunakan metode Knowledge Discovery from Data dan menggunakan algoritma naïve bayes melalui perhitungan skor sentimen. Algoritme naïve bayes yang didapatkan dari dataset pertama adalah 73,68 akurasi dan AUC 0,74 pada fold ke-7, dataset kedua adalah 71,43 untuk akurasi dan AUC 1,0 pada fold ke – 5, untuk dataset ketiga nilai akurasi yang didapat 60% dan AUC 0,92 pada fold ke-1, dan untuk dataset terakhir nilai akurasi yang didapatkan adalah 62,5% dan AUC 0,65 pada fold ke-3.[5] artikel tersebut berkaitan dengan algoritma naïve bayes yang sesuai dengan penelitian ini.

Pada artikel lainnya dengan judul “Impementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Masyarakat Indonesia Mengenai Drama Korea Pada Twitter” dan penulis data yang digunakan adalah komentar dari twiitter yang membahas drama korea dan penerapan algoritma naïve bayes dalam pengelompokkan sentimen positif, netral dan negative berdasarkan data ulasan komentar drama korea yang dikumpulkan dan hasil yang diberikan menunjukkan nilai presentase sebesar 69% dengan perhitungan algoritma naive bayes. [9] Pada penerapan algoritma naïve bayes yang mengelompokkan sentimen poitif dan negatif berkaitan dengan penelitian ini.

Pada artikel lainnya pada tahun 2021 dengan judul “Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review”, pada perbandingan rata-rata nilai akurasi dengan kombinasi antara algoritma Naive Bayes dan seleksi fitur Particle Swarm Optimization (PSO) memiliki nilai paling tinggi yaitu 89.08%. Berdasarkan literature review yang telah dilakukan dari 25 artikel ilmiah dapat diketahui bahwa seleksi fitur Particle Swarm Optimization (PSO) merupakan metode seleksi fitur yang cocok dan menghasilkan hasil terbaik apabila dikombinasikan dengan algoritma klasifikasi Naive Bayes.[12] pada artikel tersebut berkaitan dengan penelitian.

Berdasarkan artikel yang berkaitan dengan penelitian ini menunjukan bahwa algoritma naïve bayes dapat mengklasifikasikan data dan Particle Swarm Optimization (PSO) dapat memberikan peningkatan terbaik ketika dikombinasikan dengan algoritma naïve bayes.

2. METODOLOGI PENELITIAN

Pada penelitian ini peneliti merangkai kerangka penelitian, seperti pada Gambar 1. Kerangka penelitian.

Gambar 1. Kerangka penelitian

(3)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 2.1 Crawling Data Twitter

Dilakukan dengan mengumpulkan data tweet dari pengguna twitter yang diambil (Crawling) di media sosial twitter dengan memanfaatkan customer key, customer secret, access token dan access key yang diperoleh dari Twitter API.[13]

2.2 Preprocessing Text

Mempersiapkan sebuah teks menjadi daya yang siap diolah lebih lanjut dan bertujuan untuk menghilangkan noise, serta mengambil fitur penting yang ada pada dokumen teks[14] dengan melakukan cleanning, tokennization, transformation, filtering dan labeling.

2.1 Naïve Bayes

Algoritma naïve bayes berfungsi untuk mengklasifikasikan data dan mencari nilai akurasi data. Menghitung probabilitas kata ke-n ditentukan dengan menggunakan teknik laplacian smoothing :

P(tn|c) +1 (1)

P(tn | c) =𝑐𝑜𝑢𝑛𝑡(𝑡𝑛,𝑐)+1

𝑐𝑜𝑢𝑛𝑡(𝑐)+ | 𝑉 | (2)

Keterangan :

count(tn,c) = Jumlah term tn yang ditemukan di seluruh data pelatihan dengan kategori c count(c) = Jumlah term di seluruh data pelatihan dengan kategori c

V = Jumlah seluruh tem pada data pelatihan[15]

2.2 Particle Swarm Optimization (PSO)

PSO banyak digunakan untuk memecahkan masalah optimasi dan sebagai pemecah masalah seleksi fitur [16] dengan tujuan untuk mengoptimalkan dan meningkatkan data hasil dari algoritma naïve bayes.

2.3 Evaluasi (Confusion Matrix)

Dilakukan dengan tahap pengujian pada data tweet dengan menggunakan confusion matrix untuk melihat hasil akurasi dari naïve bayes dan PSO (Particle Swarm Optimization). Evaluasi perlu dilakukan untuk mengetahui tingkat keberhasilan dari suatu model.[17]

2.4 Visualisasi

Visualisasi dilakukan untuk menyederhanakan data yang sudah diolah kedalam bentuk grafik.

3. HASIL DAN PEMBAHASAN

Analisis sentimen pada data twitter melalui beberapa tahapan pengolahan sehingga menghasilkan data yang diinginkan, berikut adalah tahapan dalam mengolah data dan hasilnya.

3.1 Crawling Data Twitter

Crawling data twitter pada 5 perusahaan jasa ekspedisi yaitu JNE, JNT, SiCepat, Anteraja dan Shopee Express. Crawling data twitter menggunakan aplikasi Orange versi 3.32.0 dengan memanfaatkan operator twitter yang terkoneksi internet dan terhubung pada twitter API. Dijabarkan pada Gambar 2. Operator twitter.

Gambar 2. Operator twitter

Pada Gambar 3. Operator twitter dihubungkan dengan operator data table dan operator save data untuk menyimpan data hasil crawling kedalam bentuk microsoft excel.

Gambar 3. Operator-operator crawling data Twitter

(4)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Peneliti mengambil 1000 data dari masing-masing 5 perusahaan dan memiliki total 5000 data crawling, seperti pada sampel Gambar 4. Hasil crawling data twitter untuk anteraja.

Gambar 4. Hasil Crawling data twitter 3.2 Preprocessing Text

Preprocessing text dilakukan untuk mengolah data agar terstruktur dan mempersiapkan data yang akan diklasifikasikan.

Preprocessing text dilakukan dengan bantuan aplikasi Rapidminer versi 9.9.000 dengan melakukan tahapan sebagai berikut.

3.2.1 Cleanning

Cleanning berfungsi untuk membersihkan data dari adanya noise, spam data tweet, menghapus RT, URL, simbol dan nama pengguna. Dari hasil crawling data twitter memiliki total 5000 data dan setelah cleanning total data ada 4520 data.

Tabel 1. Sampel dari data crawling yang belum di cleanning dan sudah di cleanning.

Tabel 1. Cleanning data tweet

Sebelum Cleanning Sesudah Cleanning Pake Sicepat Lama banget

@SicepatExpress #lama

Pake Sicepat Lama banget 3.2.2 Tokenization

Tokenization berfungsi untuk memecah kalimat pada data tweet menjadi kata tunggal untuk dilanjutkan kepada proses pembobotan kata. Seperti pada Tabel 2. Data sebelum dan sesudah Tokenization

Tabel 2. Data sebelum dan sesudah Tokenization Sebelum Tokenization

Pake Sicepat Lama banget Sesudah Tokenization Pake Sicepat Lama banget 3.2.3 Transformation

Proses yang dilakukan oleh transformation adalah proses untuk merubah data tweet menjadi huruf kecil. Tabel 3. Sampel data dari data transformation.

Tabel 3. Data Transformation

Sebelum Transformation Sesudah Transformation Pake Sicepat Lama banget

@SicepatExpress #lama pake sicepat lama banget

Terdapat parameter di transformation untuk mengubah kata menjadi lower case, seperti Gambar 5.

Gambar 5. Parameter Transformation

(5)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 3.2.4 Filtering

Filtering digunakan dalam proses menghilangkan kata-kata yang sering muncul, tidak memiliki makna dan tidak mempengaruhi isi data tweet. Pada penelitian ini penulis menggunakan filtering stopwords yang membantu penulis dalam proses filtering. Pada Tabel 4.Sampel data filtering dengan menghapus kata “pake”.

Tabel 4. Data sesudah Filtering

Sebelum Filtering Sesudah Filtering pake sicepat lama banget sicepat lama banget 3.2.5 Labeling

Labeling dilakukan untuk mengelompokkan setiap data tweet menggunakan microsoft excel dengan memberikan atribut kelas pada setiap data tweet yang berisi kalimat positif dan kalimat negatif. Pada tahap labeling statement yang mengandung kalimat netral, berita dan bahasa selain bahasa Indonesia oleh peneliti dihapus, sehingga data yang di labeling memiliki 847 data diantaranya Anteraja 229 data, JNE 81 data, JNT 179 data, Shopee Express 205 data, dan Sicepat 153 data. Tabel 5. Adalah sampel dari data tweet yang sudah labeling.

Tabel 5. Data sesudah labeling Sesudah Labeling

sicepat lama banget Negatif

jne alhamdulillah aman sampe sekarang Positif 3.3 Naïve Bayes

Pada tahap klasifikasi algoritma naïve bayes dilakukan pengambilan data sampel pada salah satu data tweet untuk melakukan perhitungan manual menggunakan term frequency (tf) mengambil data sampel untuk training pada Tabel 6.

Tabel 6. Data Training Data tweet

jne alhamdulillah aman sampe sekarang

Berdasarkan pada data diatas probabilitas pada data tweet yang menggunakan term frequency menghasilkan 5 kata tunggal yang terdapat pada Tabel 7.

Tabel 7. Kemunculan term frequency (tf) No Kata Positif Negatif

1 jne 1 0

2 alhamdulillah 1 0

3 aman 1 0

4 sampe 1 0

5 sekarang 1 0

5 0

Pada proses klasifikasi untuk data training adalah dengan menghitung setiap kategori positif dan negatif yang ada pada sampel data training, diketahui pada data training term positif berjumlah 5 dan dari hasil perhitungan menghasilkan data pada Tabel 8.

Tabel 8. Hasil perhitungan klasifikasi data training

No Kata Positif Negatif

1 jne 0,125 0,0666666667

2 alhamdulillah 0,125 0,0666666667

3 aman 0,125 0,0666666667

4 sampe 0,125 0,0666666667 5 sekarang 0,125 0,0666666667

Setelah dilakukan proses klasifikasi data training maka selanjutnya melakukan klasifikasi pada data testing, seperti Tabel 9. Menampilkan sampel data yang digunakan.

Tabel 9. Data training dan data testing

Dokumen Data tweet Sentimen

D1 jne alhamdulillah aman sampe sekarang positif D2 pake sicepat lama banget negatif

D3 jne pengiriman lama ?

(6)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Pada data testing untuk D3 yaitu “jne pengiriman lama” termasuk pada data training yaitu dengan kata “jne”dan

“lama”. Hasil dari perhitungan klasifikasi untuk menentukan sentimen D3 dengan menghitung kata “jne”dan “lama”.

P(Uji|Positif) (1)

=P(Positif)xP(jne|positf)xP(lama|positif)

=0,5 x 0,125 x 0,0625

=0,00390625

P(Uji|Negatif) (2)

=P(Negatif)xP(jne|negatif)xP(lama|negatif)

=0,5 x 0,0666666667 x 0,133333333

=0,00444444444

Dari kesimpulan perhitungan nilai probabilitas tertinggi yaitu ada pada data testing P(Uji|Negatif) sehingga tweet D3 termasuk kedalam sentimen “negatif”.

3.4 Particle Swarm Optimization (PSO)

Pada model Particle Swarm Optimization (PSO) dan naïve bayes menggunakan aplikasi rapidminer untuk mengoptimalkan data hasil dari naïve bayes menggunakan operator-operator dalam memproses hasil, pada Gambar 6.

Menampilkan operator-operator yang digunakan untuk model Particle Swarm Optimization (PSO) dan naïve bayes

Gambar 6. Naïve Bayes dan Particle swarm optimization (PSO) 3.5 Evaluasi Confusion Matrix

Pada tahap evaluasi confusion matrix di rapidminer dengan algoritma naïve bayes mengambil sampel data anteraja menghasilkan nilai accuracy 87,77%, precision 76,67% dan recall 52,27%. Dijabarkan padaGambar 7. Hasil evaluasi confusion matrix naïve bayes

Gambar 7. Evaluasi confusion matrix naïve bayes

Untuk perbandingan model particle swarm optimization (PSO) dengan algoritma naïve bayes peneliti menggunakan sampel anteraja dengan menghasilkan nilai accuracy 91,70%, precision 82,05%, recall 72,73%. Gambar 8. Menampilkan hasil dari evaluasi confusion matrix particle swarm optimization (PSO) dengan naïve bayes

Gambar 8. Evaluasi confusion matrix partical swarm optimization (PSO) dan naïve bayes

(7)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Dari hasil perhitungan dan membandingkan nilai hasil model naïve bayes dan metode particle swarm optimization (PSO) terbukti memiliki peningkatan dengan tingkat akurasi dari 87.77% meningkat menjadi 91.70%

3.6 Visualisasi

Visualisasi dilakukan untuk menyederhanakan data yang sudah diolah kedalam bentuk grafik. Seperti pada Gambar 9.

Menampilkan 5 grafik data dengan data 5 perusahaan jasa ekspedisi yaitu Anteraja, JNE, JNT, ShopeeExpress dan Sicepat.

Gambar 9. Visualisasi

4. KESIMPULAN

Kesimpulan terhadap analisis sentimen dengan menggunakan metode naïve bayes dan model Particle Swarm Optimization (PSO) dengan mengolah data di Rapidminer dan perhitungan manual memiliki perbedaan nilai accuracy, precision dan recall. Pada naïve bayes nilai accuracy untuk perusahaan jasa ekspedisi Anteraja yaitu memiliki accuracy 87,77%, precision 76,67%, recall 52,27%. JNE dengan accuracy 81,48%, precision 71,43%, dan recall 62,50%. JNT dengan accuracy 91,46%, precision 48,15%, recall 86,67%. Shopee Express dengan accuracy 92,68%, precision 9,09%, recall 16,67% dan Sicepat dengan accuracy 91,50%, presision 100,00% dan recall 38,10%. Pada model Particle Swarm Optimization (PSO) perusahaan Anteraja memiliki accuracy 91,70%, precision 82,05%, recall 72,73%. JNE memiliki accuracy 93,83%, precision 88,00%, recall 91,67%. JNT memiliki accuracy 92,18%, precision 70,97%, recall 81,48%.

Shopee Express memiliki accuracy 94%, precision 20,00%, recall 33,33% dan Sicepat memiliki accuracy 95,42%, precision 93,75%, recall 71,43%. Dari hasil perbandingan tingkat accuracy menunjukan bahwa Particle Swarm Optimization (PSO) mampu menaikan nilai accuracy hasil dari naïve bayes pada 5 perusahaan jasa ekspedisi.

REFERENCES

[1] I. W. G. Wiryawan, “Urgensi Perlindungan Kurir Dalam Transaksi E-Commerce Dengan Sistem COD (Cash On Delivery) I Wayan Gde Wiryawan,” J. Anal. Huk., vol. 4, no. 2, pp. 187–202, 2021, [Online]. Available: http://journal.undiknas.ac.id/index.php/JAH/article/view/3126 [2] N. Ika, P. Kalingara, O. N. Pratiwi, and H. D. Anggana, “Analisis Sentimen Review Customer Terhadap Layanan Ekspedisi Jne Dan J & T Express Menggunakan Metode Naïve Bayes Sentiment Analysis Review Customer of Jne and J & T Express Expedition Services Using Naïve Bayes Method,” vol. 8, no. 5, pp. 9035–9048, 2021.

[3] F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.

[4] F. F. Mailo and L. Lazuardi, “Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia,” J.

Inf. Syst. Public Heal., vol. 4, no. 1, pp. 28–36, 2019.

[5] M. R. F. Sya’bani, U. Enri, and T. N. Padilah, “Analisis Sentimen Terhadap Bakal Calon Presiden 2024 dengan Algoritma Naïve Bayes,”

JURIKOM J. Ris. Komput., vol. 9, no. 2, pp. 265–273, 2022, doi: 10.30865/jurikom.v9i2.3989.

[6] E. Y. Hidayat, R. W. Hardiansyah, and A. Affandy, “Analisis Sentimen Twitter untuk Menilai Opini Terhadap Perusahaan Publik Menggunakan Algoritma Deep Neural Network,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 108–118, 2021, doi: 10.25077/teknosi.v7i2.2021.108-118.

[7] S. S. Salim and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.

[8] I. S. Muhammad Soekarno Putra, Sri Dharma Wati, “Pada Media Sosial Youtube Menggunakan Algoritma,” J. Ilm. betrik, no. 02, pp. 1–7, 2021.

[9] R. Amelia, N. S. Prastiwi, and M. E. Purbaya, “Impementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Masyarakat Indonesia Mengenai Drama Korea Pada Twitter,” J. Ris. Komput., vol. 9, no. 2, pp. 338–343, 2022, doi: 10.30865/jurikom.v9i2.3895.

[10] R. Sari, “Analisis Sentimen Review Restoran menggunakan Algoritma Naive Bayes berbasis Particle Swarm Optimization,” J. Inform., vol. 6,

(8)

Hal 930−937 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom no. 1, pp. 23–28, 2019, doi: 10.31311/ji.v6i1.4695.

[11] K. F. Irnanda, A. P. Windarto, and I. S. Damanik, “Optimasi Particle Swarm Optimization Pada Peningkatan Prediksi dengan Metode Backpropagation Menggunakan Software RapidMiner,” J. Ris. Komput., vol. 9, no. 1, pp. 122–130, 2022, doi: 10.30865/jurikom.v9i1.3836.

[12] F. Septianingrum and A. S. Y. Irawan, “Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 799, 2021, doi: 10.30865/mib.v5i3.2983.

[13] F. S. Jumeilah, “Klasifikasi Opini Masyarakat Terhadap Jasa Ekspedisi JNE dengan Naïve Bayes,” J. Sist. Inf. Bisnis, vol. 8, no. 1, p. 92, 2018, doi: 10.21456/vol8iss1pp92-98.

[14] D. Ayu Wulandari, R. Rohmat Saedudin, R. Andreswari, P. S. Studi, and S. Informasi, “Analisis Sentimen Media Sosial Twitter Terhadap Reaksi Masyarakat Pada Ruu Cipta Kerja Menggunakan Metode Klasifikasi Algoritma Naive Bayes Analysis of Twitter Social Media Sentiment on the Public’S Reaction To the Drafts of Job Creation Law Using the Cla,” vol. 8, no. 5, pp. 9007–9016, 2021.

[15] A. Rahman and A. Doewes, “Online News Classification Using Multinomial Naive Bayes,” ITSMART J. Ilm. Teknol. dan Inf., vol. 6, no. 1, pp.

32–38, 2017.

[16] A. Taufik, “Optimasi Particle Swarm Optimization Sebagai Seleksi Fitur Pada Analisis Sentimen Review Hotel Berbahasa Indonesia Menggunakan Algoritma Naïve Bayes,” J. Tek. Komput., vol. III, no. 2, pp. 40–47, 2017.

[17] A. Yoga, A. Nugraha, and F. F. Abdulloh, “Optimasi Naive Bayes dan Cosine Similarity Menggunakan Particle Swarm Optimization Pada Klasifikasi Hoax Berbahasa Indonesia,” vol. 6, pp. 1444–1451, 2022, doi: 10.30865/mib.v6i3.4170.