Analisis Sentimen pada Twitter Mengenai Layanan Jenius Menggunakan Metode Naïve Bayes Classifier

HAIKAL LIMANSAH

Informasi Umum

Kode

22.04.1430

Klasifikasi

005 - information technology

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Informatics, Information - Engineering,

Informasi Lainnya

Abstraksi

<p>Pada zaman ini perkembangan teknologi cukup pesat, internet perlahan sudah menjadi bagian dari kehidupan sehari-hari. Dengan internet informasi dapat tersampaikan lebih cepat, salah satunya lewat sosial media. Salah satu media sosial yang marak digunakan adalah twitter. Kegiatan promosi produk melalui twitter sudah mulai digunakan Jenius sejak tahun 2016 melalui akun @JeniusConnect. Penggunaan twitter oleh perusahaan Jenius digunakan sebagai media penjualan, promosi dan layanan pelanggan melalui akun @JeniusHelp. Komentar & opini pelanggan dapat dianalisis melalui tweet para pengguna pada media sosial twitter. Komentar & opini negatif dapat mempengaruhi keputusan dari calon pelanggan, sebaliknya komentar & opini positif dapat meningkatkan citra perusahaan. Penelitian ini melakukan perhitungan reputasi brand Jenius dengan cara melalukan analisis sentimen menggunakan algoritma Naïve Bayes dengan metode split data dan membandingkannya dengan metode split data K-Fold Cross Validation. Penelitian ini diharapkan dapat bermanfaat untuk membantu melakukan riset atas opini masyarakat yang mengandung sentimen positif atau negatif. Metode yang digunakan dalam penelitian ini adalah crawling dataset pada twitter dengan kata kunci “Jenius” dan “JeniusHelp”. Hasilnya dilakukan pelabelan “positif” atau “negatif” secara manual. Metode yang digunakan dalam preprocessing data menggunakan case folding, tokenizing, filtering dan stemming. Untuk proses klasifikasi menggunakan metode Naïve Bayes Classifier dengan metode split data, didapatkan hasil yang terbaik menggunakan metode split data 80% 20% dan mendapatkan hasil akurasi sebesar 80%, nilai precision sebesar 79%, nilai recall sebesar 89% dan nilai F1-Score sebesar 84%. Sedangkan pada K-Fold Cross Validation lebih rendah yaitu sebesar 76% nilai akurasi, nilai precision sebesar 71%, nilai recall sebesar 70% dan nilai F1-Score sebesar 70%.</p>