Analisis Sentimen Terhadap Pembobolan Data pada Twitter dengan Algoritma Naive Bayes
Perkembangan teknologi informasi kini sangat cepat dan jauh berbeda dengan masa awal kehadirannya. Era globalisasi telah menempatkan peranan teknologi informasi ke dalam suatu posisi yang sangat strategis karena dapat menghadirkan suatu dunia tanpa batas, jarak, ruang, dan waktu serta dapat meningka...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
LPPM Universitas Mohammad Husni Thamrin
2022-09-01
|
| Series: | Jurnal Teknologi Informatika & Komputer |
| Online Access: | https://journal.thamrin.ac.id/index.php/jtik/article/view/1240 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Perkembangan teknologi informasi kini sangat cepat dan jauh berbeda dengan masa awal kehadirannya. Era globalisasi telah menempatkan peranan teknologi informasi ke dalam suatu posisi yang sangat strategis karena dapat menghadirkan suatu dunia tanpa batas, jarak, ruang, dan waktu serta dapat meningkatkan produktivitas serta efisiensi. Twitter merupakan media sosial yang mudah digunakan untuk penyebaran informasi secara cepat dan luas. Sejak ramainya kasus Bjorka hal itu memicu banyak masyarakat yang mengkritik di berbagai media sosial salah satu diantaranya media sosial Twitter sehingga kritik atau opini tersebut dapat dimanfaatkan untuk melakukan analisis sentimen. Berdasarkan hal tersebut, diperlukan sebuah metode yang dapat secara otomatis melakukan klasifikasi opini ke dalam kategori positif dan negatif melalui proses analisis sentimen. Proses analisis sentimen dilakukan dengan proses data preprocessing, pembobotan kata menggunakan metode TF-IDF, penerapan algoritma, dan pembahasan atas hasil klasifikasi. Metode klasifikasi data yang digunakan dalam penelitian ini adalah Naive Bayes Classifier (NBC). Data tersebut akan diproses menggunakan text mining dan klasifikasi menggunakan algoritma Naive Bayes. Metode tersebut menghasilkan tingkat dan hasil yang cukup baik. Klasifikasi dapat memberikan kemudahan bagi pengguna untuk melihat opini positif dan negatif. Berdasarkan pengujian yang telah dilakukan, hasil klasifikasi terbaik diperoleh dengan nilai accuracy, precision, dan recall tertinggi yang mendapatkan hasil dengan nilai accuracy 98.33%, precision 100.00%, dan recall sebanyak 97.13%. |
|---|---|
| ISSN: | 2656-9957 2622-8475 |